ডিসিশন ট্রি ইনডাকশন হল ক্লাস-লেবেল করা ট্রেনিং টিপল থেকে ডিসিশন ট্রি শেখা। একটি সিদ্ধান্ত গাছ একটি ক্রমিক চিত্রের মতো গাছের কাঠামো, যেখানে প্রতিটি অভ্যন্তরীণ নোড (নন-লিফ নোড) একটি বৈশিষ্ট্যের উপর একটি পরীক্ষা নির্দেশ করে, প্রতিটি শাখা পরীক্ষার ফলাফল নির্ধারণ করে এবং প্রতিটি লিফ নোড (বা টার্মিনাল নোড) একটি শ্রেণিকে প্রভাবিত করে। লেবেল গাছের সর্বোচ্চ নোড হল রুট নোড৷
এটি কম্পিউটার কেনার ধারণাকে সংজ্ঞায়িত করে, অর্থাৎ, এটি ভবিষ্যদ্বাণী করে যে AllElectronics-এর একজন ব্যবহারকারী একটি কম্পিউটার কিনবে কিনা। অভ্যন্তরীণ নোডগুলি আয়তক্ষেত্র দ্বারা নির্দেশিত হয় এবং লিফ নোডগুলি ডিম্বাকৃতি দ্বারা নির্দেশিত হয়। বিভিন্ন ডিসিশন ট্রি অ্যালগরিদম শুধুমাত্র বাইনারি ট্রি তৈরি করে (যেখানে প্রতিটি অভ্যন্তরীণ নোড সঠিকভাবে দুটি অন্য নোডের শাখায় থাকে), যেখানে অন্যরা নন-বাইনারী ট্রি তৈরি করতে পারে।
একটি টিপল, X দেওয়া হয়েছে, যার জন্য সম্পর্কিত ক্লাস লেবেলটি বেনামী, টিপলের বৈশিষ্ট্যের মানগুলি সিদ্ধান্ত গাছের বিপরীতে পরীক্ষা করা হয়। মূল থেকে একটি লিফ নোড পর্যন্ত একটি দিক চিহ্নিত করা হয়, যা সেই টিপলের জন্য শ্রেণির পূর্বাভাসকে প্রভাবিত করে। ডিসিশন ট্রিকে শ্রেণীবিভাগের নিয়মে পরিবর্তন করা যেতে পারে।
ডিসিশন ট্রি ক্লাসিফায়ারগুলির বিকাশের জন্য কিছু ডোমেন জ্ঞান বা প্যারামিটার সেটিং প্রয়োজন হয় না, এবং এইভাবে অনুসন্ধানমূলক জ্ঞান আবিষ্কারের জন্য উপযুক্ত৷
ডিসিশন ট্রি বড় ডাইমেনশনাল ডাটা ম্যানেজ করতে পারে। গাছ আকারে তাদের অর্জিত জ্ঞানের বর্ণনা স্বজ্ঞাত এবং সাধারণত মানুষের দ্বারা বোঝা সহজ। সিদ্ধান্ত গাছ আনয়নের শেখার এবং শ্রেণীবিভাগের ধাপটি সহজ এবং দ্রুত।
সাধারণভাবে, ডিসিশন ট্রি ক্লাসিফায়ারের ভালো দক্ষতা থাকে। যাইহোক, সফল ব্যবহার হাতের তথ্যের উপর ভিত্তি করে করা যেতে পারে। ডিসিশন ট্রি ইন্ডাকশন অ্যালগরিদমগুলি ওষুধ, উত্পাদন এবং উত্পাদন, আর্থিক বিশ্লেষণ, জ্যোতির্বিদ্যা এবং আণবিক জীববিদ্যা সহ বেশ কয়েকটি প্রয়োগের ক্ষেত্রে শ্রেণিবিন্যাসের জন্য ব্যবহার করা হয়েছে। সিদ্ধান্ত গাছ একাধিক বাণিজ্যিক নিয়ম আনয়ন সিস্টেমের উপর ভিত্তি করে।
গাছ নির্মাণের সময়, বৈশিষ্ট্য নির্বাচনের ব্যবস্থা ব্যবহার করা হয় এমন বৈশিষ্ট্য বেছে নেওয়ার জন্য যা টিপলকে বিভিন্ন শ্রেণিতে বিভক্ত করে। যখন সিদ্ধান্ত গাছ তৈরি করা হয়, তখন কিছু শাখা প্রশিক্ষণের রেকর্ডে শব্দ বা বহিরাগত প্রতিফলিত করতে পারে। বৃক্ষ ছাঁটাই এই জাতীয় শাখাগুলিকে চিনতে এবং নির্মূল করার চেষ্টা করে, অদৃশ্য ডেটাতে শ্রেণিবিন্যাস নির্ভুলতা উন্নত করার লক্ষ্যে।
ID3, C4.5, এবং CART একটি লোভী (অর্থাৎ, নন-ব্যাকট্র্যাকিং) পদ্ধতিকে অনুমোদন করে যেখানে সিদ্ধান্ত গাছগুলি একটি টপ-ডাউন রিকারসিভ ডিভাইড-এন্ড-কনকার পদ্ধতিতে তৈরি করা হয়। ডিসিশন ট্রি ইনডাকশনের জন্য বেশ কিছু অ্যালগরিদমও এমন একটি টপ-ডাউন পদ্ধতি অনুসরণ করে, যা শুরু হয় টিপল এবং তাদের সম্পর্কিত ক্লাস লেবেলের প্রশিক্ষণ সংগ্রহের মাধ্যমে। প্রশিক্ষণ সংগ্রহটি পুনরাবৃত্তভাবে ছোট ছোট উপসেটে বিভক্ত করা হয় কারণ গাছটি তৈরি করা হচ্ছে।
