Regresioni i Pemës së Vendimeve në JavaScript: Nga Intuita në Prototipin Funksional

Kryesore » Piton » Regresioni i Pemës së Vendimeve në JavaScript: Nga Intuita në Prototipin Funksional

Nëse je një dizajner që tashmë luan pak me HTML, CSS dhe JavaScript të thjeshtë, ndërtimi i një peme vendimesh ose një modeli regresioni mund të duket si magji e errët në fillim. Mund të keni një rrjedhë të qartë vendimesh në letër, ndoshta edhe një prototip të mirë të Figma-s, por kur është koha për ta shndërruar atë logjikë në një komponent interaktiv të uebit ose një model të vogël parashikues, papritmas asgjë nuk duket aq e thjeshtë sa diagrami që vizatuat.

Lajmi i mirë është se pemët e vendimeve janë një nga modelet më intuitive të të mësuarit automatik që mund të zbatoni dhe vizualizoni në JavaScript, edhe me përvojë të kufizuar në kodim. Për më tepër, pemët e fuqishme të regresionit të përforcuar të përdorura në mjete si Azure Machine Learning ose LightGBM ndjekin të njëjtën ide konceptuale: një sekuencë pyetjesh që përmirësojnë gradualisht një parashikim numerik. Në këtë udhëzues do të lidhim pikat midis pemës vizuale të vendimeve që dëshironi të prototiponi, koncepteve themelore të të mësuarit automatik (entropia, fitimi i informacionit, shkurtimi, rritja) dhe JavaScript-it praktik që mund të shkruani sot.

Kuptimi i pemëve të vendimeve përpara se të prekni JavaScript-in

Në një nivel shumë të lartë, një pemë vendimesh është thjesht një mënyrë e strukturuar për të bërë pyetje, ku çdo përgjigje ju dërgon poshtë një dege të ndryshme derisa të arrini në një vendim përfundimtar. Imagjinoni të hyni në një restorant: keni uri? Nëse po, dëshironi diçka të lehtë apo të rëndë? Nëse të lehtë, a ka sallata në menu? Nëse po, përfundoni duke porositur një sallatë. Ky diagram rrjedhës mendor është fjalë për fjalë një pemë vendimesh: çdo pyetje është një nyje, çdo përgjigje është një degë dhe zgjedhja përfundimtare (sallatë, hamburger, asgjë) është një gjethe.

Në të mësuarit automatik, ne e kodojmë të njëjtën ide duke përdorur të dhëna: çdo rresht në një grup të dhënash është një shembull, çdo kolonë është një atribut dhe objektivi është ajo që duam të parashikojmë. Një algoritëm i të mësuarit në pemë zbulon automatikisht se cilat pyetje (ndahet sipas atributeve) ndihmojnë më shumë në ndarjen e të dhënave në grupe homogjene. Për klasifikim, gjethet ruajnë një etiketë klase; për regresionin, gjethet ruajnë një vlerë numerike (për shembull, çmimin, rezultatin ose probabilitetin).

Ajo që i bën pemët kaq tërheqëse, veçanërisht për projektuesit dhe fillestarët, është se ato janë të interpretueshme natyrshëm. Mund ta lexoni pemën fjalë për fjalë nga lart poshtë si një seri rregullash: “Nëse Mjedisi është i ulët dhe nuk ka erë, parashikoni lojën = po me siguri.” Kjo transparencë është diçka që nuk e merrni nga shumë modele të tjera si rrjetet nervore të thella.

Për të ndërtuar një pemë të mirë, algoritmi ka nevojë për një mënyrë për të vendosur se cilën pyetje të bëjë të parën, të dytën e kështu me radhë, dhe këtu hyn në lojë një matematikë e lehtë. Mos u shqetësoni: nuk keni nevojë të nxirrni formula manualisht në kodin tuaj JavaScript, por të kuptuarit e ideve që fshihen pas entropisë dhe fitimit të informacionit do t'ju ndihmojë të arsyetoni se si është ndërtuar pema juaj dhe pse disa degë duken ashtu siç duken.

Entropia dhe fitimi i informacionit: si pemët zgjedhin pyetjen e duhur

Entropia është një masë e pasigurisë ose çrregullimit në një grup të dhënash dhe është thelbësore për mënyrën se si algoritmet klasike të pemës së vendimeve si ID3 ose C4.5 vendosin ndarjet e tyre. Nëse të gjithë shembujt në një nëngrup i përkasin të njëjtës klasë, kemi entropi zero: nyja është krejtësisht e pastër, nuk ka pasiguri. Nëse klasat janë të përziera në mënyrë të barabartë (për shembull, 50% po, 50% jo), entropia është maksimale, që do të thotë se jemi shumë të pasigurt se cila është etiketa për një element të rastësishëm.

Formalisht, nëse kemi disa klasa dhe p_i është pjesa e shembujve në klasën i, entropia H(S) e një bashkësie S është: H(S) = – ∑ p_i * regjistër₂(p_iKur një klasë dominon, p-ja e saj_i është afër 1, termi logaritmik bëhet i vogël dhe entropia ulet. Kur klasat janë të balancuara, më shumë terma kontribuojnë ndjeshëm dhe entropia ngjitet drejt 1 për një rast binar.

Fitimi i informacionit mat se sa bie entropia nëse e ndajmë të dhënat duke përdorur një atribut të caktuar, dhe kjo është mënyra se si pema zgjedh pyetjen më të mirë në secilën nyje. Për një atribut A që mund të marrë vlera të ndryshme v, ne marrim në konsideratë nëngrupet S_v që përmbajnë vetëm shembuj ku A = v. Fitimi i informacionit IG(S, A) është H(S) minus shuma e ponderuar e entropive të secilës nëngrup. Atributi me fitimin më të lartë të informacionit ju jep ndarjen më të pastër dhe zgjidhet si ndarje.

Kjo është arsyeja pse, në shumë shembuj të bazuar në mot, shpesh shihni atribute si "Mjedisi" ose "Perspektiva" në rrënjën e pemës. Në një rast specifik, variabli i Mjedisit mund të ketë fitimin më të madh të informacionit (le të themi, rreth 0.246), që do të thotë se ndan më së miri vendimet "luaj" nga "mos luaj". Pastaj, në varësi të Mjedisit, algoritmi mund të shikojë më pas Erën, Lagështinë ose Temperaturën për të rafinuar ndarjen.

Kur inspektoni një pemë të trajnuar, mund të shihni shtigje të tilla si: nëse Mjedisi ≤ 1.5, kontrolloni Erën; nëse nuk ka erë, parashikoni lojën = po me entropi 0.0 në pesë mostra. Nëse ka erë, ndoshta nyja ka entropi 1.0 me dy mostra pozitive dhe dy negative, kështu që pasiguria është më e lartë dhe mund të ndodhin ndarje të mëtejshme. Në degë të tjera, kur Mjedisi > 1.5, pema mund të marrë në konsideratë Lagështinë, dhe vetëm nëse lagështia nuk është e ulët do të inspektojë Temperaturën për të sqaruar situatat e vështira.

Nga një pemë e thjeshtë vendimesh në pemë regresioni

Deri tani kemi folur kryesisht për klasifikimin, por mund të përdorni saktësisht të njëjtën strukturë peme për regresionin, ku rezultati është një vlerë numerike dhe jo një etiketë diskrete. Në vend që të ruajnë "luaj" ose "mos luaj" në secilën fletë, pemët e regresionit ruajnë një numër, shpesh vlerën mesatare të synuar të shembujve të trajnimit që bien në atë fletë.

Në pemët e regresionit, kriteri i ndarjes nuk mbështetet më në entropi, por në masa të tilla si zvogëlimi i variancës ose minimizimi i gabimit në katror. Çdo ndarje përpiqet të krijojë nyje fëmijësh ku vlerat e objektivit janë sa më të ngjashme të jetë e mundur, në mënyrë që parashikimi për secilën gjethe të jetë më i saktë. Me fjalë të tjera, algoritmi pyet: "Nëse i ndaj të dhënat në këtë atribut, sa mund ta zvogëloj ndryshueshmërinë e objektivit brenda secilës nëngrup?"

Këto pemë regresioni janë blloqet ndërtuese pas shumë metodave të përparuara, duke përfshirë kornizat e përforcimit të gradientit si LightGBM, të cilat përdoren gjerësisht në platforma si Azure Machine Learning. Në këto sisteme, zakonisht nuk ndërtohet një pemë e vetme monolitike, por një ansambël pemësh, secila prej të cilave përpiqet të korrigjojë gabimet e pemëve të mëparshme.

Si zhvillues ose dizajner i JavaScript, mund ta mendoni çdo pemë regresioni si një version pak më të zgjuar të diagramit tuaj të rrjedhës të vizatuar me dorë, ku "përgjigjet" në gjethe janë numra (si çmimet, rezultatet ose probabilitetet) në vend të etiketave të tekstit. Mund ta vizualizosh ende logjikën si një pemë, por fuqia vjen nga mënyra se si kombinohen dhe akordohen këto pemë.

Regresioni i pemës së vendimeve të përforcuar: si ansamblet përmirësojnë saktësinë

Boosting është një metodë klasike e ansamblit që ndërton shumë modele të dobëta (si pemë të vogla regresioni) dhe i kombinon ato për të formuar një parashikues të fortë me saktësi shumë më të lartë. Në vend të trajnimit të të gjitha pemëve në mënyrë të pavarur, si në pyjet me bagging ose të rastësishme, boosting shton pemë njëra pas tjetrës, ku çdo pemë e re përqendrohet në gabimet e mbetura nga pemët e mëparshme.

Në regresionin e pemës së vendimeve të përforcuar, i cili është ajo që Azure Machine Learning zbaton përmes algoritmeve si LightGBM, çdo pemë e re korrigjon gabimet e ansamblit aktual duke mësuar nga mbetjet. Filloni me një model të thjeshtë, ndoshta vetëm një parashikim konstant; pastaj llogaritni ndryshimin midis këtij parashikimi dhe vlerave reale (mbetjeve). Pema tjetër trajnohet për të parashikuar ato mbetje dhe ju ia shtoni atë modelit me një shkallë të caktuar të të nxënit. Gradualisht, ndërsa e përsërisni këtë proces, parashikimi i përgjithshëm bëhet gjithnjë e më i mirë.

Ky proces njihet si nxitje e gradientit, dhe MART (Pemët e Regresionit Shtues të Shumëfishtë) është një implementim i njohur që Azure Machine Learning përdor për pemët e nxitura. Në çdo hap, algoritmi përdor një funksion humbjeje të diferencueshme (për shembull, gabimin në katror) për të llogaritur gradientin e gabimit dhe për të vendosur se si ta rregullojë pemën tjetër. Në praktikë, përfundoni me një ansambël prej shumë pemësh të vogla, secila prej të cilave kontribuon pak në rezultatin numerik përfundimtar.

Edhe pse rritja zakonisht përmirëson saktësinë e parashikimit, ajo mund të zvogëlojë mbulimin ose përgjithësimin nëse nuk jeni të kujdesshëm me hiperparametrat siç janë numri i pemëve, thellësia maksimale ose shkalla e të mësuarit., një situatë që lidhet me mbipërshtatje kundrejt nënpërshtatjes. Filloni me një model të thjeshtë, ndoshta vetëm një parashikim konstant; pastaj llogaritni ndryshimin midis këtij parashikimi dhe vlerave reale (mbetjeve). Pema tjetër trajnohet për të parashikuar ato mbetje dhe ju ia shtoni atë modelit me një shkallë të caktuar të të nxënit. Gradualisht, ndërsa e përsërisni këtë proces, parashikimi i përgjithshëm bëhet gjithnjë e më i mirë.

Ky proces njihet si nxitje e gradientit, dhe MART (Pemët e Regresionit Shtues të Shumëfishtë) është një implementim i njohur që Azure Machine Learning përdor për pemët e nxitura. Në çdo hap, algoritmi përdor një funksion humbjeje të diferencueshme (për shembull, gabimin në katror) për të llogaritur gradientin e gabimit dhe për të vendosur se si ta rregullojë pemën tjetër. Në praktikë, përfundoni me një ansambël prej shumë pemësh të vogla, secila prej të cilave kontribuon pak në rezultatin numerik përfundimtar.

Edhe pse rritja e shpejtësisë zakonisht përmirëson saktësinë e parashikimit, ajo mund të zvogëlojë mbulimin ose përgjithësimin nëse nuk jeni të kujdesshëm me hiperparametrat siç janë numri i pemëve, thellësia maksimale ose shkalla e të mësuarit. Shumë pemë ose pemë shumë të mëdha mund t'i përshtaten më shumë të dhënave tuaja të stërvitjes, ndërsa një shkallë tepër e vogël e të nxënit me shumë pak pemë mund të mos i përshtatet sa duhet të dhënave të rëndësishme dhe të mos arrijë të kapë modelet e rëndësishme.

Është e rëndësishme të mbani mend se regresioni i pemës së vendimeve të përforcuar është një metodë e të mësuarit të mbikëqyrur, që do të thotë se duhet të ofroni një grup të dhënash të etiketuara me një kolonë numerike të synuar. Etiketat (objektivat) duhet të jenë numerike, sepse algoritmi optimizon funksionet e humbjes së vazhdueshme; nëse keni kategori, ose i konvertoni ato në numra ose përdorni një variant klasifikimi të pemëve të përforcuara.

Opsionet kryesore të konfigurimit në pemët e përforcuara të Azure Machine Learning

Kur përdorni komponentin e regresionit të pemës së vendimeve të përforcuar në projektuesin e Azure Machine Learning, në thelb po konfiguroni se si do të ndërtohet dhe trajnohet ansambli juaj i pemëve. Ky komponent mbështjell një implementim efikas të bazuar në LightGBM, por ekspozon çelësat më të rëndësishëm në një ndërfaqe përdoruesi miqësore në mënyrë që të mund të eksperimentoni edhe nëse nuk shkruani kod direkt në atë mjedis.

Zgjedhja e parë me të cilën përballeni është mënyra e krijimit të trajnerit, e cila përcakton nëse vendosni një konfigurim të vetëm apo eksploroni një gamë hiperparametrash. Në modalitetin “Parametër i Vetëm”, ju zgjidhni manualisht vlerat për gjëra të tilla si shkalla e të mësuarit, numri i gjetheve dhe numri i pemëve: kjo është e dobishme nëse tashmë keni një ide të mirë për atë që dëshironi. Në modalitetin “Diapazoni i Parametrave”, ju specifikoni intervalet për secilin parametër dhe më pas një komponent i veçantë, siç është “Akordimi i Hiperparametrave të Modelit”, provon automatikisht të gjitha kombinimet për të gjetur ato që japin performancën më të mirë.

Një tjetër cilësim i rëndësishëm është numri maksimal i gjetheve për pemë, i cili kontrollon në mënyrë efektive kompleksitetin e secilës pemë individuale në ansambël. Më shumë gjethe nënkuptojnë më shumë nyje terminale dhe rregulla më të detajuara. Kjo mund të rrisë saktësinë në të dhënat e trajnimit, por gjithashtu rrit rrezikun e mbipërshtatjes dhe rrit kohën e trajnimit. Më pak gjethe e mbajnë çdo pemë më të thjeshtë dhe mund të nxisin përgjithësimin, megjithëse me koston e humbjes së mundshme të modeleve delikate.

Gjithashtu, duhet të vendosni numrin minimal të mostrave të kërkuara në secilën nyje gjetheje, gjë që përcakton një prag se sa të hollësishme mund të bëhen rregullat tuaja. Me vlerën fillestare 1, edhe një shembull i vetëm trajnimi mund të formojë një faqe të re, gjë që mund të shkaktojë që modeli të memorizojë zhurmën. Rritja e këtij minimumi në, le të themi, 5 detyron çdo rregull të mbulojë të paktën pesë shembuj me të njëjtat kushte, duke zbutur modelin dhe shpesh duke përmirësuar aftësinë e tij për të përgjithësuar.

Shkalla e të nxënit është një vlerë midis 0 dhe 1 që përcakton se sa i madh është hapi që ndërmerr secila pemë e re kur korrigjon gabimet nga ansambli i mëparshëm. Një shpejtësi e lartë e të nxënit e bën modelin të mësojë shpejt, por rrezikon të tejkalojë zgjidhjen optimale; një shpejtësi shumë e vogël e bën trajnimin më të qëndrueshëm, por mund të kërkojë shumë më tepër pemë dhe kohë më të gjatë trajnimi. Gjetja e një ekuilibri të mirë është çelësi i një modeli të fortë.

Numri i pemëve të ndërtuara kontrollon sa herë e përsëritni hapin e përforcimit, domethënë sa nxënës të dobët kombinohen në modelin përfundimtar. Një numër më i lartë në përgjithësi jep mbulim më të mirë, por gjithashtu rrit shanset e mbipërshtatjes dhe koston llogaritëse. Vendosja e kësaj në 1 në thelb çaktivizon rritjen dhe ju lë me një pemë të vetme regresioni, e cila mund të jetë më e thjeshtë për t'u interpretuar, por zakonisht më pak e saktë.

Azure Machine Learning gjithashtu ju lejon të caktoni një bazë të rastësishme për inicializim, e cila është e dobishme për të marrë rezultate të riprodhueshme në të gjitha ekzekutimet me të njëjtat të dhëna dhe parametra. Nëse e lini në vlerën e parazgjedhur 0, platforma nxjerr burimin fillestar nga ora e sistemit, kështu që çdo ekzekutim trajnimi mund të prodhojë pemë paksa të ndryshme. Me një burim fillestar fiks, mund të debugoni dhe krahasoni më lehtë modelet.

Pasi ta keni konfiguruar komponentin, trajnimi i modelit thjesht kërkon lidhjen e tij me një grup të dhënash të etiketuar dhe përdorimin e komponentit "Train Model" ose komponentit të akordimit të hiperparametrave, varësisht nga mënyra e zgjedhur. Pas trajnimit, mund ta lidhni modelin që rezulton në një komponent "Score Model" për të bërë parashikime mbi inputet e reja, dhe mund ta regjistroni modelin e trajnuar në pemën e komponentëve për ta ripërdorur atë në tubacione të tjera pa ritrajnim.

Mbi-mbjellja, krasitja dhe pse pemët mund të bëhen shumë të zgjuara

Një nga rreziqet e mëdha kur punohet me pemë vendimesh, qoftë në formë të thjeshtë apo si pjesë e ansambleve të pyjeve të përforcuara ose të rastësishme, është mbipërshtatja dhe të kuptuarit e kompromis paragjykim-ndryshim Ndihmon në shpjegimin e arsyes pse modeli mund të bëhet aq kompleks saqë i memorizon të dhënat e trajnimit në vend që të mësojë rregulla të përgjithshme. Në teori, një pemë mund të vazhdojë të ndahet derisa çdo gjethe të korrespondojë me një mostër të vetme trajnimi, duke arritur saktësi të përsosur në të dhëna të njohura, por duke performuar dobët në shembuj të paparë.

Krasitja është zgjidhja standarde për mbivendosjen në pemët e vendimmarrjes dhe në thelb do të thotë prerjen e degëve ose kufizimin e rritjes së pemës në mënyrë që modeli të mbetet mjaft i thjeshtë. Shumë biblioteka dhe korniza ofrojnë parametra si thellësia maksimale, mostrat minimale për gjethe ose mostrat minimale për ndarje që kontrollojnë se si dhe kur krijohen degë të reja. Rritja e këtyre pragjeve e detyron pemën të jetë më konservatore në sjelljen e saj të ndarjes.

Në scikit-learn të Python-it, për shembull, shpesh shihni parametra të tillë si max_depth, min_samples_leaf dhe min_samples_split të përdorur për të rregulluar pemët. Një max_depth më i vogël kufizon numrin e niveleve të pyetjeve që mund të bëjë pema. Një min_samples_leaf më i lartë siguron që çdo gjethe përfaqëson një grup shembujsh mjaftueshëm të mëdhenj për të qenë statistikisht domethënës. Një min_samples_split më i lartë parandalon modelin të krijojë degë të reja nga nyjet me shumë pak mostra.

Edhe pse mund të mos e përdorni scikit-learn direkt në JavaScript, të njëjtat ide vlejnë nëse zbatoni logjikën tuaj të pemës ose nëse e dizajnoni manualisht strukturën e vendimmarrjes. Gjithmonë duhet të pyesni veten nëse një degë e re përfaqëson vërtet një model të qëndrueshëm apo thjesht zhurmë në të dhëna. Në pemët e vendimmarrjes që përballen me përdoruesin, degët jashtëzakonisht të thella ose shumë specifike gjithashtu mund t'i ngatërrojnë përdoruesit dhe ta bëjnë ndërfaqen më të vështirë për t'u kuptuar.

Modelet e përforcuara dhe të ansamblit zbutin disa probleme të mbipërshtatjes duke kombinuar shumë nxënës të dobët, por ato prapëseprapë mund të mbipërshtaten nëse hiperparametrat janë shumë agresivë. Kontrollimi i numrit të pemëve, thellësisë së tyre, shkallës së të mësuarit dhe termave të rregullimit është kritik në mjediset e prodhimit si Azure Machine Learning. Për dizajnin e përvojës interaktive, më e thjeshta është zakonisht më e mirë, si nga pikëpamja e UX ashtu edhe nga pikëpamja e qëndrueshmërisë.

Nga një pemë e vetme vendimesh në pyje të rastësishme

Nëse një pemë e vetme vendimesh është e fuqishme, por e brishtë, një pyll i rastësishëm është si një komitet pemësh që votojnë së bashku për të arritur një parashikim më të qëndrueshëm. Ideja është e thjeshtë: ju trajnoni shumë pemë vendimmarrjeje, secila prej të cilave sheh një nëngrup paksa të ndryshëm të të dhënave dhe atributeve, dhe më pas i agregoni rezultatet e tyre. Për klasifikim, ata votojnë për klasën më të zakonshme; për regresion, ju mesatarizoni parashikimet e tyre numerike.

Pyjet e rastësishme e prezantojnë rastësinë në dy mënyra kryesore: shembuj trajnimi për marrjen e mostrave me zëvendësim (marrje mostrave bootstrap) dhe zgjedhjen e një nëngrupi të rastësishëm atributesh për secilën ndarje. Kjo rastësi e bën çdo pemë paksa të ndryshme, kështu që nuk kopjojnë të gjitha të njëjtat gabime. Kur kombinohen, gabimet e pemëve individuale kanë tendencë të anulohen, duke çuar në një model më të qëndrueshëm.

Nga një perspektivë e mbipërshtatjes, pyjet e rastësishme shpesh përgjithësohen më mirë sesa një pemë e vetme e thellë sepse çdo pemë është e kufizuar në atë që sheh dhe si ndahet, dhe parashikimi përfundimtar është një mesatare në shumë perspektiva. Me fjalë të tjera, varianca e modelit zvogëlohet dhe ju merrni sjellje më të qëndrueshme në të dhëna të ndryshme.

Për dikë që vjen nga një sfond dizajni, mund ta imagjinoni një pyll të rastësishëm si një grup hartash vendimesh paksa të ndryshme të krijuara nga dizajnerë të ndryshëm, secila duke përdorur kritere paksa të ndryshme, dhe më pas një agregues që i shqyrton të gjitha ato dhe zgjedh përgjigjen konsensusi. Asnjë hartë e vetme nuk duhet të jetë e përsosur; mençuria buron nga grupi.

Ndërsa ky artikull përqendrohet në pemët e vendimeve dhe regresionin e përforcuar në terma të përgjithshëm, intuita pas pyjeve të rastësishme është shumë e dobishme kur më vonë të eksploroni biblioteka më të përparuara JavaScript ose Python që ekspozojnë API-të e pyjeve dhe ansambleve. Blloku ndërtues thelbësor është gjithmonë i njëjtë: pema e vendimeve që tani e kuptoni.

Pemët e vendimeve të të nxënit: aftësitë, shenjat dalluese dhe trajnimi i strukturuar

Disa shtigje dhe kurse mësimore rreth të mësuarit automatik e strukturojnë përmbajtjen e tyre në mënyrë të qartë rreth pemëve të vendimeve, shpesh duke dhënë medalje ose certifikata kur i përfundoni të gjitha aktivitetet. Këto programe zakonisht fillojnë me një hyrje në pemët e vendimeve dhe më pas kalojnë nëpër tema të tilla si si të gjesh ndarjen më të mirë duke përdorur entropinë, indeksin Gini ose fitimin e informacionit, si dhe pse të krasitësh pemët dhe si krahasohen pemët me modelet lineare.

Gjatë rrugës, mund të trajtoni pemët e vendimeve për klasifikim, pemët e vendimeve për regresion dhe kompromiset midis thjeshtësisë së modelit dhe fuqisë parashikuese. Për shumë nxënës, pemët janë algoritmi hyrës në të mësuarit automatik sepse ato përputhen me mënyrën se si njerëzit mendojnë natyrshëm në degë dhe rregulla. Vizualizimi i një peme të trajnuar e bën të qartë pse modeli bëri një zgjedhje të caktuar, gjë që është një mënyrë e shkëlqyer për të ndërtuar intuitën.

Kurset e nivelit të ndërmjetëm zakonisht përziejnë shpjegimet konceptuale me ushtrime praktike kodimi në gjuhë si Python, duke përdorur biblioteka të tilla si scikit-learn. Mund të implementoni një pemë në një grup të vogël të dhënash për motin, të llogaritni manualisht entropinë dhe fitimin e informacionit, pastaj ta lini bibliotekën të merret me punën e rëndë dhe të vizualizojë strukturën përfundimtare. Këto aktivitete ju ndihmojnë të lidhni llogaritjet me sjelljen aktuale të modelit.

Edhe nëse qëllimi juaj është përfundimisht të zbatoni logjikën e vendimeve ose pemët e regresionit në JavaScript, kryerja e disa ushtrimeve në Python mund të jetë shumë ndriçuese, sepse shumica e burimeve dhe shpjegimeve të të nxënit janë shkruar aktualisht në atë ekosistem. Pasi ta kuptoni, transferimi i ideve kryesore në JS standarde — ose thirrja e një shërbimi backend nga front end-i juaj — bëhet shumë më i menaxhueshëm.

Përfundimi i një kursi të tillë zakonisht do të thotë që ju jeni të kënaqur me entropinë, fitimin e informacionit, strategjitë e krasitjes, pemët e klasifikimit kundrejt atyre të regresionit dhe të kuptuarit se kur pemët i tejkalojnë modelet e thjeshta lineare dhe kur ato mund të mos jenë zgjidhja më e mirë. Këto aftësi themelore janë pikërisht ajo që ju nevojitet përpara se të filloni të ndërtoni ansamble më të hollësishme si pemë të përforcuara, pyje të rastësishme ose pemë vendimmarrjeje të përforcuara me gradient në mjediset e prodhimit.

Ndërtimi i një peme vendimesh të klikueshme në JavaScript të thjeshtë

Le të kthehemi te problemi juaj konkret: keni të vizatuar një pemë vendimesh dhe dëshironi një prototip të klikueshëm në JavaScript të thjeshtë, pa korniza, idealisht diçka si një CodePen që mund ta modifikoni. Shumë njerëz gjejnë demo, si disa stilolapsa të vjetër që vizualizojnë pemët dhe ofrojnë veçori të UX-it si "Shfaq prindërit" ose "Kthehu", dhe ngatërrohen kur heqja e rreshtave të kodit papritmas bën që e gjithë pema të zhduket.

Arsyeja kryesore pse një pemë zhduket kur hiqni pjesë në dukje të palidhura është se ato pjesë shpesh janë përgjegjëse për inicializimin, renderimin ose azhurnimin e vizualizimit. Për shembull, mund të fshini kodin që konfiguron dëgjuesit e ngjarjeve ose që thërret funksionin e renderimit, duke supozuar se është vetëm për opsione shtesë të ndërfaqes së përdoruesit, por në fakt ai funksion ndërton edhe pemën fillestare gjatë ngarkimit. Kur e hiqni, asgjë nuk e vizaton më grafikun në ekran.

Nëse ju nevojitet vetëm një buton i thjeshtë "Kthehu" për të lëvizur nëpër nyjet tuaja, në të vërtetë nuk ju nevojitet një bibliotekë komplekse; ju nevojitet vetëm një mënyrë e pastër për të përfaqësuar pemën tuaj në JavaScript dhe një sasi e vogël manipulimi DOM. Një model i zakonshëm është ruajtja e pemës si një objekt i ndërthurur ku çdo nyje ka një pyetje ose titull, një listë të fëmijëve dhe, opsionalisht, një referencë prind. Pastaj, ju mbani gjurmët e nyjes aktuale në një variabël dhe ri-interpretoni pyetjen dhe përgjigjet sa herë që përdoruesi klikon.

Për të implementuar "Kthehu", mund të ruani rrugën që përdoruesi ka ndjekur në një varg (një pirg) dhe të hapni nyjën e mëparshme kur klikohet butoni. Si alternativë, çdo nyje mund t'i referohet drejtpërdrejt prindit të saj, në mënyrë që kthimi prapa të jetë po aq i lehtë sa vendosja e currentNode = currentNode.parent dhe ri-interpretimi. Kjo qasje përdor struktura të thjeshta të dhënash, por ju jep pikërisht sjelljen e UX që dëshironi.

Nëse po modifikoni një CodePen ekzistues, kushtojini vëmendje çdo kodi inicializimi që ekzekutohet kur ngarkohet faqja dhe çdo trajtuesi ngjarjesh të bashkangjitur në butona ose lidhje. Para se të fshini një funksion, kërkoni se ku përdoret: nëse është i vetmi vend që thërret rutinën e vizatimit për pemën, do t'ju duhet ta mbani ose ta zëvendësoni me një alternativë. Gjithashtu mund ta rifaktorizoni kodin duke nxjerrë logjikën e pastër të renderimit në një funksion të veçantë dhe duke e thirrur atë si gjatë ngarkimit të faqes ashtu edhe gjatë ngjarjeve të navigimit, duke hequr në mënyrë të sigurt veçoritë e palidhura si "shfaq prindërit".

Meqenëse përmendët se dëshironi diçka minimaliste në JS-në standarde, merrni në konsideratë të filloni nga një prototip shumë i vogël që thjesht renderon nyjet e tekstit dhe butonat për zgjedhje. Pasi navigimi kryesor të funksionojë në mënyrë perfekte dhe "Prapa" të sillet siç pritet, mund ta përmirësoni atë hap pas hapi: shtoni stilimin CSS, ndoshta lidhësit SVG midis nyjeve dhe vetëm më vonë eksploroni bibliotekat për paraqitje më të avancuara.

Nga pemët prototip të ndërfaqes së përdoruesit te modelet reale të regresionit

Ekziston një dallim i rëndësishëm midis një peme vendimesh të ndërfaqes së përdoruesit që ju e kodoni fort që përdoruesit të klikojnë dhe një modeli të vërtetë peme regresioni që mëson nga të dhënat, por ato ndajnë të njëjtën strukturë konceptuale. Në të dyja rastet keni nyje me kushte, degë të bazuara në përgjigje dhe gjethe që japin ndonjë rezultat, qoftë një rekomandim apo një numër.

Për një ndërfaqe të krijuar me dorë, ju i hartoni vetë të gjitha pyetjet dhe rezultatet, duke luajtur në mënyrë efektive rolin e algoritmit të të mësuarit. Në një kontekst të të mësuarit automatik, në të kundërt, një algoritëm si nxitja e gradientit i mëson ato ndarje nga një grup të dhënash, i udhëhequr nga kritere të tilla si entropia, fitimi i informacionit ose zvogëlimi i variancave. Ju nuk e specifikoni pemën drejtpërdrejt; në vend të kësaj, ju jepni shembuj dhe e lini algoritmin të zbulojë strukturën.

Një rrjedhë praktike pune është që së pari të zbatohet pema e ndërfaqes së përdoruesit (UI) që përputhet me kuptimin tuaj aktual të problemit dhe më vonë, ndërsa mbledhni të dhëna të botës reale, të zëvendësoni logjikën e projektuar manualisht me një model të mësuar. Ky model mund të trajnohet në Python ose Azure Machine Learning, të eksportohet si JSON ose në një format tjetër portativ dhe më pas të ngarkohet nga aplikacioni juaj JavaScript. Çdo pemë ose ansambël mund të përfaqësohet si objekte të ndërthurura që përshkon front end-i juaj për të prodhuar parashikime ose për të gjeneruar një shpjegim për përdoruesin.

Në disa produkte, ekipet kombinojnë të dyja qasjet: një model të mësuar për të llogaritur një rezultat ose rekomandim numerik, dhe një pemë të veçantë të projektuar nga njeriu për të strukturuar mënyrën se si bëhen pyetjet në ndërfaqe. Për shembull, modeli juaj mund të vlerësojë probabilitetin e suksesit, ndërsa pema e ndërfaqes së përdoruesit i organizon pyetjet në një mënyrë që u duket e natyrshme përdoruesve dhe përputhet me modelin mendor që keni nxjerrë nga hulumtimi i përdoruesve.

Të kuptuarit e anës teorike — entropia, fitimi i informacionit, rritja e gradientit, mbipërshtatja dhe shkurtimi — ju ndihmon të kuptoni kur struktura e ndërfaqes së përdoruesit mund të jetë mashtruese ose kur pema e një modeli të mësuar është tepër e ndërlikuar dhe ka nevojë për kufizime. Me këtë njohuri, ju mund të krijoni vizualizime dhe ndërveprime që jo vetëm duken mirë, por edhe pasqyrojnë me besnikëri mënyrën se si modeli themelor merr vendime.

Në përgjithësi, pemët e vendimeve ofrojnë një urë veçanërisht miqësore midis dizajnit vizual, arsyetimit intuitiv dhe të mësuarit rigoroz automatik, prandaj ato paraqiten kaq dukshëm në kurse, shënjues dhe platforma si Azure Machine Learning. Pasi të keni kuptuar bazat dhe të praktikoni disa prototipa të thjeshta të JavaScript, do të jeni në një pozicion të fortë për të eksploruar ansamble më të avancuara si pemët e regresionit të përforcuar dhe pyjet e rastësishme, dhe për t'i integruar këto modele në aplikacione web të botës reale pa u ndjerë të humbur.