Perbedaan yang menonjol antara pohon keputusan dan hutan acak adalah pohon keputusan adalah grafik yang menggunakan metode percabangan untuk menggambarkan setiap hasil yang mungkin dari suatu keputusan sedangkan hutan acak adalah sekumpulan pohon keputusan yang memberikan hasil akhir berdasarkan output dari semua pohon keputusannya.
Pembelajaran mesin adalah aplikasi Kecerdasan Buatan, yang memberi sistem kemampuan untuk belajar dan meningkatkan berdasarkan pengalaman masa lalu. Pohon keputusan dan hutan acak adalah dua teknik dalam pembelajaran mesin. Sebuah pohon keputusan memetakan kemungkinan hasil dari serangkaian pilihan terkait. Populer karena sederhana dan mudah dipahami. Ketika dataset menjadi jauh lebih besar, satu pohon keputusan tidak cukup untuk menemukan prediksi. Hutan acak, yang merupakan kumpulan pohon keputusan, merupakan alternatif untuk masalah ini. Output dari hutan acak didasarkan pada output dari semua pohon keputusannya.
Topik bahasan kami tentang:
- Apa itu Pohon Keputusan – Definisi, Fungsi, Contoh 2. Apa itu Hutan Acak – Definisi, Fungsi, Contoh 3. Perbedaan Antara Pohon Keputusan dan Hutan Acak – Perbandingan Perbedaan Kunci
Istilah Utama
Pohon Keputusan, Pembelajaran Mesin, Hutan Acak
Yang perlu anda ketahui tentang Pohon Keputusan
Pohon keputusan adalah diagram bentuk pohon yang digunakan untuk menentukan tindakan. Setiap cabang pohon mewakili kemungkinan keputusan, kejadian atau reaksi.
Ada beberapa istilah yang terkait dengan pohon keputusan. Entropi adalah pengukuran ketidakpastian dalam dataset. Setelah memisahkan dataset, tingkat entropi menurun karena ketidakpastian menurun. Perolehan informasi adalah penurunan entropi setelah meludahkan dataset. Penting untuk membagi data sedemikian rupa sehingga perolehan informasi menjadi lebih tinggi. Keputusan akhir atau klasifikasi disebut simpul daun. Simpul paling atas atau simpul utama disebut simpul akar. Dataset harus dibagi sampai entropi akhir menjadi nol.
Sebuah pohon keputusan sederhana adalah sebagai berikut.
Gambar 1: Pohon Keputusan
Di atas pohon keputusan mengklasifikasikan satu set buah-buahan. Ada 4 buah anggur, 2 buah apel, dan 2 buah jeruk. Bila mempertimbangkan diameter kurang dari 5, buah anggur dikategorikan ke dalam satu sisi sedangkan jeruk dan apel ke sisi lain. Anggur tidak dapat diklasifikasikan lebih lanjut karena memiliki entropi nol. Jika dikategorisasikan berdasarkan warnanya, yaitu merah atau tidaknya buah, apel diklasifikasikan ke satu sisi sedangkan jeruk diklasifikasikan ke sisi lain. Dengan demikian, pohon keputusan ini mengklasifikasikan apel, anggur atau jeruk dengan akurasi 100%.
Secara keseluruhan, pohon keputusan sederhana untuk dipahami, lebih mudah untuk diinterpretasikan dan divisualisasikan. Tidak memerlukan banyak persiapan data. Ini dapat menangani data numerik dan kategorikal. Di sisi lain, noise dalam data dapat menyebabkan overfitting. Selain itu, model juga bisa menjadi tidak stabil karena variasi kecil.
Yang perlu anda ketahui tentang Hutan Acak?
Hutan acak adalah metode yang beroperasi dengan membangun beberapa pohon keputusan selama fase pelatihan. Keputusan mayoritas pohon adalah keputusan akhir dari hutan acak. Contoh sederhananya adalah sebagai berikut.
Asumsikan ada satu set buah-buahan (ceri, apel, dan jeruk). Berikut adalah tiga pohon keputusan yang mengkategorikan ketiga jenis buah tersebut.
Gambar 2: Pohon keputusan 1
Gambar 3: Pohon Keputusan 2
Gambar 4: Pohon Keputusan 3
Buah baru yang diameternya 3 diberikan kepada model. Buah ini berwarna oranye, dan tumbuh di musim panas. Pohon keputusan pertama akan mengkategorikannya sebagai jeruk. Pohon keputusan kedua akan mengkategorikannya sebagai ceri sedangkan pohon keputusan ketiga akan mengkategorikannya sebagai jeruk. Saat mempertimbangkan ketiga pohon, ada dua output untuk oranye. Maka dari itu, hasil akhir dari hutan acak adalah oranye.
Secara keseluruhan, hutan acak memberikan hasil yang akurat pada kumpulan data yang lebih besar. Ini juga mengurangi risiko overfitting.
Perbedaan Antara Pohon Keputusan dan Hutan Acak
Definisi
Pohon keputusan adalah alat pendukung keputusan yang menggunakan grafik atau model keputusan seperti pohon dan kemungkinan konsekuensinya, termasuk hasil peristiwa kebetulan, biaya sumber daya, dan utilitas. Hutan acak adalah metode pembelajaran ensemble yang beroperasi dengan membangun banyak pohon keputusan pada waktu pelatihan dan mengeluarkan kelas tergantung pada pohon individu.
Overfitting
Ada kemungkinan overfitting di pohon keputusan. Penggunaan beberapa pohon di hutan acak mengurangi risiko overfitting.
Ketepatan
Sebuah hutan acak memberikan hasil yang lebih akurat daripada pohon keputusan.
Kompleksitas
Pohon keputusan lebih sederhana dan lebih mudah dipahami, ditafsirkan, dan divisualisasikan daripada hutan acak, yang relatif lebih kompleks.
Kata terakhir
Perbedaan antara pohon keputusan dan hutan acak adalah pohon keputusan adalah grafik yang menggunakan metode percabangan untuk menggambarkan setiap kemungkinan hasil dari suatu keputusan sedangkan hutan acak adalah sekumpulan pohon keputusan yang memberikan hasil akhir berdasarkan output dari semua. pohon keputusannya.
Sumber bacaan:
- Algoritma Hutan Acak – Hutan Acak Dijelaskan | Hutan Acak dalam Pembelajaran Mesin , Simplilearn, 12 Maret 2018, Tersedia di sini .
