Waarom is dit belangrijk?
Zichtbare redeneerstappen maken een voorspelling begrijpelijk voor mensen zonder statistische achtergrond. In de zorg helpt leren met beslissingsbomen artsen bij een diagnose en bij het voorspellen van het effect van een behandeling. In de spreekkamer kunnen patiënten en zorgverleners dan nagaan welke kenmerken tot een advies leiden, maar die inzet roept daarbij ook ethische vragen op over gevoelige medische gegevens.
Zo werkt het in de praktijk
Onderzoekers delen voorraadartikelen in met leren met beslissingsbomen. De boom leert van een steekproef die al via een voorraadmodel is ingedeeld. Daarna past de boom die indeling toe op de andere artikelen, ook bij onregelmatige vraag.
Onderzoekers van de KU Leuven, UCLouvain en de Université de Namur beschrijven dat de kleinste passende boom zoeken rekenkundig zwaar is. Het artikel bespreekt voorwaarden die een boom eerlijker maken en minder gevoelig voor kleine afwijkingen.
Analisten bouwen zulke bomen in datamining, het zoeken van patronen, met vaste rekenmethoden. CART maakt een tweedeling en kiest de splitsing met de Gini-maat, een maat voor hoe gemengd een groep is. ID3 en C4.5 kiezen de splitsing die de onzekerheid in de groep het meest verkleint.




