ডিসিশন ট্রি ইনডাকশনের বিভিন্ন বৈশিষ্ট্য নিম্নরূপ -
ডিসিশন ট্রি ইনডাকশন হল ক্লাসিফিকেশন মডেল তৈরির জন্য একটি ননপ্যারামেট্রিক পদ্ধতি। অন্য পদে, ক্লাস এবং বিভিন্ন গুণাবলী দ্বারা সন্তুষ্ট সম্ভাব্যতা বন্টনের ধরন সম্পর্কিত কিছু পূর্ববর্তী অনুমানের প্রয়োজন নেই।
এটি একটি সর্বোত্তম সিদ্ধান্ত গাছ খুঁজে বের করা হতে পারে একটি NP-সম্পূর্ণ সমস্যা। অনেক ডিসিশন ট্রি অ্যালগরিদম বিশাল হাইপোথিসিস স্পেসে তাদের অনুসন্ধানকে গাইড করার জন্য হিউরিস্টিক-ভিত্তিক পদ্ধতি ব্যবহার করে।
গণনামূলকভাবে সস্তা সিদ্ধান্ত গাছ নির্মাণের জন্য বিভিন্ন কৌশল তৈরি করা হয়েছে, যা প্রশিক্ষণ সেটের আকার খুব বড় হলেও দ্রুত মডেল তৈরি করা সম্ভব করে। অধিকন্তু, যেহেতু একটি সিদ্ধান্ত গাছ তৈরি করা হয়েছে, পরীক্ষার ডেটা সংজ্ঞায়িত করা সম্পূর্ণ দ্রুত, একটি সবচেয়ে খারাপ ক্ষেত্রে জটিলতা O(w), যেখানে w হল গাছের সর্বোচ্চ গভীরতা।
ডিসিশন ট্রি, বিশেষ করে ছোট আকারের গাছ, কার্যকর করা সহজ। গাছের কার্যকারিতা বিভিন্ন ডেটা সেটের জন্য বিভিন্ন শ্রেণিবিন্যাস পদ্ধতির সাথেও তুলনীয়৷
ডিসিশন ট্রি আলাদা-মূল্যবান ফাংশন শেখার জন্য একটি অভিব্যক্তিপূর্ণ বর্ণনা সমর্থন করে। কিন্তু তারা বুলিয়ান সমস্যাগুলির একটি নির্দিষ্ট পদ্ধতিতে ভালভাবে সাধারণীকরণ করে না। একটি উদাহরণ হল প্যারিটি ফাংশন, যার মান হল 0 (1) যখন সত্য মান সহ একটি বিজোড় (জোড়) বেশ কয়েকটি বুলিয়ান অ্যাট্রিবিউট থাকে৷
অপ্রয়োজনীয় বৈশিষ্ট্যের উপস্থিতি সিদ্ধান্ত গাছের কার্যকারিতাকে প্রভাবিত করে না। একটি বৈশিষ্ট্য অপ্রয়োজনীয় যদি এটি শক্তিশালীভাবে ডেটাতে একটি ভিন্ন বৈশিষ্ট্যের সাথে সম্পর্কযুক্ত হয়। দুটি অপ্রয়োজনীয় বৈশিষ্ট্য বিভাজনের জন্য ব্যবহার করা যাবে না কারণ অন্য বৈশিষ্ট্যটি নির্বাচন করা হয়েছে৷
কিন্তু যদি ডেটা সেটে বেশ কিছু অপ্রাসঙ্গিক বৈশিষ্ট্য অন্তর্ভুক্ত থাকে, যেমন, গুণাবলী যা শ্রেণিবিন্যাস পরিষেবার জন্য উপকারী নয়, তবে গাছ-বাড়ন্ত প্রক্রিয়ার সময় বেশ কিছু অপ্রাসঙ্গিক বৈশিষ্ট্য দুর্ঘটনাক্রমে নির্বাচন করা যেতে পারে যার ফলে প্রয়োজনের চেয়ে বড় সিদ্ধান্তের গাছ হয়। বৈশিষ্ট্য নির্বাচন কৌশলগুলি প্রিপ্রসেসিংয়ের সময় অপ্রাসঙ্গিক বৈশিষ্ট্যগুলি বাদ দিয়ে সিদ্ধান্ত গাছের নির্ভুলতা উন্নত করতে সাহায্য করতে পারে৷
যেহেতু বেশ কিছু ডিসিশন ট্রি অ্যালগরিদম টপ-ডাউন, রিকারসিভ পার্টিশনিং পদ্ধতি ব্যবহার করে, মাল্টিপল ডাটা ছোট হয়ে যায় কারণ এটি গাছের নিচে যেতে পারে। লিফ নোডগুলিতে, নোডগুলির শ্রেণী বিবরণ সম্পর্কে একটি পরিসংখ্যানগতভাবে গুরুত্বপূর্ণ সিদ্ধান্ত তৈরি করতে বেশ কয়েকটি ডেটা খুব ছোট হতে পারে। একে বলা হয় ডেটা ফ্র্যাগমেন্টেশন সমস্যা। একটি সম্ভাব্য সমাধান হল যখন একাধিক ডেটা একটি নির্দিষ্ট থ্রেশহোল্ডের নিচে নেমে আসে তখন আরও বিভাজন অনুমোদন না করা।
একটি সাবট্রি একটি সিদ্ধান্ত গাছে কয়েকবার পুনরাবৃত্তি করা যেতে পারে। এটি সিদ্ধান্ত বৃক্ষকে প্রয়োজনের তুলনায় আরও কঠিন এবং কার্যকর করা সম্ভবত আরও জটিল করে তোলে। ডিসিশন ট্রি এক্সিকিউশন থেকে বিভিন্ন পরিস্থিতি বাড়তে পারে যা প্রতিটি অভ্যন্তরীণ নোডে একটি একক অ্যাট্রিবিউট পরীক্ষার শর্তের উপর নির্ভর করে।
কিছু ডিসিশন ট্রি অ্যালগরিদমের জন্য ডিভাইড-এন্ড-কনকার পার্টিশনিং পন্থা প্রয়োজন, অনুরূপ পরীক্ষার শর্তটি অ্যাট্রিবিউট স্পেসের একাধিক অংশে ব্যবহার করা যেতে পারে, তাই সাবট্রি রেপ্লিকেশন সমস্যাগুলির দিকে এগিয়ে যাওয়া।
