Meta-Learning in Decision Tree Induction

این کتاب بر انواع مختلف القای درخت تصمیم تمرکز می‌کند، اما رویکرد فرا یادگیری را به طور کلی توصیف می‌کند که برای انواع دیگر الگوریتم‌های یادگیری ماشین قابل استفاده است. این کتاب انواع مختلف القای درخت تصمیم را مورد بحث قرار می دهد و منبع مفیدی از اطلاعات را برای خوانندگانی که مایل به بررسی برخی از تکنیک های مورد استفاده در یادگیری درخت تصمیم هستند، و همچنین روش های مجموعه متفاوتی که شامل درخت های تصمیم است، نشان می دهد. نشان داده شده است که دانش اجزای مختلف مورد استفاده در یادگیری درخت تصمیم باید سیستماتیک شود تا سیستم را قادر سازد تا انواع مختلف الگوریتم های یادگیری ماشین را با هدف شناسایی بالاترین عملکردها یا بالقوه بهترین آنها تولید و ارزیابی کند. یک دیدگاه یکپارچه از یادگیری درخت تصمیم، به سادگی با تنظیم پارامترهای خاص، الگوریتم های درخت تصمیم گیری مختلف را شبیه سازی می کند. از آنجایی که فرایادگیری نیازمند اجرای بسیاری از فرآیندهای مختلف با هدف به دست آوردن نتایج عملکرد است، شرح مفصلی از روش شناسی تجربی و چارچوب ارزیابی ارائه شده است. فرا یادگیری در نیمه دوم کتاب به تفصیل مورد بحث قرار گرفته است. این نمایشگاه با ارائه یک بررسی جامع از بسیاری از رویکردهای فرا یادگیری که در گذشته در ادبیات شرح داده شده است، از جمله رویکردهایی که رتبه‌بندی الگوریتم‌ها را ارائه می‌کنند، آغاز می‌شود. رویکرد توصیف شده می‌تواند به کارهای دیگری مرتبط باشد که از برنامه‌ریزی استفاده می‌کنند و هدف آن ایجاد گردش‌های کاری داده کاوی است. این کتاب تبادل ایده‌ها را بین رویکردهای مختلف، هرچند مرتبط، تحریک می‌کند.

The book focuses on different variants of decision tree induction but also describes the meta-learning approach in general which is applicable to other types of machine learning algorithms. The book discusses different variants of decision tree induction and represents a useful source of information to readers wishing to review some of the techniques used in decision tree learning, as well as different ensemble methods that involve decision trees. It is shown that the knowledge of different components used within decision tree learning needs to be systematized to enable the system to generate and evaluate different variants of machine learning algorithms with the aim of identifying the top-most performers or potentially the best one. A unified view of decision tree learning enables to emulate different decision tree algorithms simply by setting certain parameters. As meta-learning requires running many different processes with the aim of obtaining performance results, a detailed description of the experimental methodology and evaluation framework is provided. Meta-learning is discussed in great detail in the second half of the book. The exposition starts by presenting a comprehensive review of many meta-learning approaches explored in the past described in literature, including for instance approaches that provide a ranking of algorithms. The approach described can be related to other work that exploits planning whose aim is to construct data mining workflows. The book stimulates interchange of ideas between different, albeit related, approaches.