Automatic Design of Decision-Tree Induction Algorithms

مطالعه دقیقی از اجزای اصلی طراحی که یک الگوریتم القایی درخت تصمیم از بالا به پایین را تشکیل می‌دهند، شامل جنبه‌هایی مانند معیارهای تقسیم، معیارهای توقف، هرس و رویکردهای مقابله با مقادیر از دست رفته را ارائه می‌دهد. در حالی که راهبردی که امروزه هنوز به کار می رود استفاده از یک الگوریتم القای درخت تصمیم «عمومی» بدون توجه به داده ها است، نویسندگان درباره مزایایی که یک استراتژی تعصب برازش می تواند برای القای درخت تصمیم به ارمغان بیاورد، استدلال می کنند که در آن هدف نهایی این است. تولید خودکار یک الگوریتم القایی درخت تصمیم متناسب با حوزه کاربردی مورد علاقه. برای چنین مواردی، آنها در مورد اینکه چگونه می‌توان به‌طور مؤثر مجموعه‌ای از مؤلفه‌های الگوریتم‌های القای درخت تصمیم را برای مقابله با کاربردهای متنوعی از طریق الگوی محاسبات تکاملی، پس از ظهور حوزه جدیدی به نام فراابتکاری، به‌طور مؤثر کشف کرد. /p>

\"طراحی خودکار الگوریتم‌های القای درخت تصمیم\" برای دانشجویان و محققان یادگیری ماشین و محاسبات تکاملی بسیار مفید است.

Presents a detailed study of the major design components that constitute a top-down decision-tree induction algorithm, including aspects such as split criteria, stopping criteria, pruning and the approaches for dealing with missing values. Whereas the strategy still employed nowadays is to use a 'generic' decision-tree induction algorithm regardless of the data, the authors argue on the benefits that a bias-fitting strategy could bring to decision-tree induction, in which the ultimate goal is the automatic generation of a decision-tree induction algorithm tailored to the application domain of interest. For such, they discuss how one can effectively discover the most suitable set of components of decision-tree induction algorithms to deal with a wide variety of applications through the paradigm of evolutionary computation, following the emergence of a novel field called hyper-heuristics.

"Automatic Design of Decision-Tree Induction Algorithms" would be highly useful for machine learning and evolutionary computation students and researchers alike.