Überwachtes Lernen mit Entscheidungsbäumen

Überwachtes Lernen mit Entscheidungsbäumen

Mit Entscheidungsbäumen kann ein System z.B. bei einem bisher ungelabelten Lebensmittel entscheiden, ob es als "gesund" oder "ungesund" zu kategorisieren ist.

Entscheidungsbäume werden in der KI beim maschinellen Lernen eingesetzt. Dabei werden zunächst Trainingsdaten ausgewählt und den Kategorien zugeordnet. Die Trainingsbeispiele, Kategorien und Zuordnungen sind also schon vor dem Training bekannt. Daher handelt es sich um überwachtes Lernen.
In der Trainingsphase werden dann geeignete Schwellenwerte für Attribute gesucht, die die Trainingsdaten möglichst korrekt den Kategorien zuordnen (z.B. Zucker > 15g ).
Ein Entscheidungsbaum ist eine Darstellungsform für die Entscheidungen, die mit den Schwellenwerten getroffen werden. Er wird von oben nach unten durchlaufen.
In jeder Raute ist ein Attribut mit seinem Schwellenwert angegeben. Je nach aktuellem Attributwert des Testobjekts geht es dann links oder rechts im Baum weiter. Dies geschieht so lange, bis ein Ende mit einer Kategoriezuordnung erreicht wird. Diese Zuordnung gilt dann für das Testobjekt.
Eine Künstliche Intelligenz, die mit einem Entscheidungsbaum arbeitet, ist nur so gut wie ihre Trainingsdaten. Sind die Trainigsbeispiele ungeeignet (z.B. nur gesunde Lebensmittel) oder ist ihre Zuordnung zu einer Kategorie nicht eindeutig, wird die KI bei neuen, unbekannten Objekten häufiger Fehler machen.