Arbres de décision

Les arbres de décision trouvent leurs origines à l'ère du développement précoce des écrits. Cette histoire illustre une force majeure des arbres : des résultats exceptionnellement interprétables, dotés d'une représentation intuitive en forme d'arbre qui, à son tour, améliore la compréhension et la diffusion des résultats. Les origines computationnelles des arbres de décision - parfois appelés arbres de classification ou arbres de régression - sont des modèles de processus biologiques et cognitifs. Cet héritage commun stimule le développement complémentaire des arbres de décision statistiques et des arbres conçus pour l'apprentissage automatique. L'élucidation progressive des diverses caractéristiques des arbres tout au long de leur histoire précoce à la fin du 20ème siècle est discutée, ainsi que les points de référence importants associés et les auteurs responsables. Les approches statistiques, telles que les tests d'hypothèses et diverses approches de rééchantillonnage, ont évolué de concert avec les mises en œuvre de l'apprentissage automatique. Cela a abouti à des outils d'arbres de décision exceptionnellement adaptables, appropriés pour diverses tâches statistiques et d'apprentissage automatique, à différents niveaux de mesure, avec des niveaux de qualité de données variables. Les arbres sont robustes en présence de données manquantes et offrent plusieurs façons d'incorporer les données manquantes dans les modèles résultants. Bien que les arbres soient puissants, ils sont également flexibles et faciles à utiliser. Cela garantit la production de résultats de haute qualité qui nécessitent peu d'hypothèses pour être déployés. Le traitement se termine par une discussion sur les développements les plus récents qui continuent de s'appuyer sur les synergies et la fertilisation croisée entre les communautés statistiques et d'apprentissage automatique. Les développements actuels liés à l'émergence de plusieurs arbres et aux diverses approches de rééchantillonnage employées sont discutés. WIREs Comput Stat 2013, 5:448–455. doi: 10.1002/wics.1278 Cet article est classé sous : Apprentissage Statistique et Méthodes Exploratoires des Sciences des Données > Clustering et Classification Apprentissage Statistique et Méthodes Exploratoires des Sciences des Données > Reconnaissance de Modèles Apprentissage Statistique et Méthodes Exploratoires des Sciences des Données > Fouille Basée sur des Règles.