Decision Trees with Hypotheses

در این کتاب، مفهوم یک فرضیه در مورد مقادیر همه ویژگی‌ها به مدل درخت تصمیم استاندارد اضافه می‌شود که به‌ویژه در نظریه آزمون و نظریه مجموعه‌های خشن در نظر گرفته می‌شود. این پسوند به ما امکان می دهد از آنالوگ پرس و جوهای هم ارزی از یادگیری دقیق استفاده کنیم و درخت های تصمیم را که بر اساس ترکیب های مختلفی از ویژگی ها، فرضیه ها و فرضیه های مناسب هستند (آنالوگ پرس و جوهای هم ارزی مناسب) را بررسی کنیم. دو هدف اصلی این کتاب عبارتند از: (1) ارائه ابزارهایی برای مطالعه تجربی و نظری درختان تصمیم با فرضیه ها و (2) مقایسه این درختان تصمیم با درختان تصمیم گیری معمولی که فقط از پرس و جو استفاده می کنند، هر کدام بر اساس یک ویژگی واحد.

هر دو نتایج تجربی و نظری نشان می‌دهند که درخت‌های تصمیم با فرضیه‌ها می‌توانند پیچیدگی کمتری نسبت به درخت‌های تصمیم مرسوم داشته باشند. این نتایج چشم‌اندازهایی را برای استفاده از درخت‌های تصمیم با فرضیه‌ها به عنوان ابزاری برای نمایش دانش و الگوریتم‌هایی برای محاسبه توابع بولی باز می‌کند. نتایج نظری به‌دست‌آمده و ابزارهای مطالعه درخت‌های تصمیم با فرضیه‌ها برای محققین با استفاده از درخت‌های تصمیم و قوانین در تجزیه و تحلیل داده‌ها مفید است. این کتاب همچنین می تواند به عنوان پایه ای برای دوره های تحصیلات تکمیلی مورد استفاده قرار گیرد.

In this book, the concept of a hypothesis about the values of all attributes is added to the standard decision tree model, considered, in particular, in test theory and rough set theory. This extension allows us to use the analog of equivalence queries from exact learning and explore decision trees that are based on various combinations of attributes, hypotheses, and proper hypotheses (analog of proper equivalence queries). The two main goals of this book are (i) to provide tools for the experimental and theoretical study of decision trees with hypotheses and (ii) to compare these decision trees with conventional decision trees that use only queries, each based on a single attribute. 

Both experimental and theoretical results show that decision trees with hypotheses can have less complexity than conventional decision trees. These results open up some prospects for using decision trees with hypotheses as a means of knowledge representation and algorithms for computing Boolean functions. The obtained theoretical results and tools for studying decision trees with hypotheses are useful for researchers using decision trees and rules in data analysis. This book can also be used as the basis for graduate courses.