taralino

Beispiel Schwertlilien

Nachdem wir gelernt haben, was Entscheidungsbäume sind und wie diese mittels Trainingsdaten erstellt werden können, sammeln wir praktische Erfahrungen mit der Klassifikation von Schwertlilien:

Das IrisFlower-Paket beinhaltet Datensätze, um Blumen der Gattung Schwertlilie (Iris) anhand der Größe der Blütenblätter hinsichtlich dreier Arten der Gattung zu klassifizieren.

Zur Referenz

Um genauer zu sein: Die Blüte der Schwertlilie wird anhand der Kron- und Klechblätter beschrieben:

Als Klassifikationsergebnis wird jeder Blüte eine der folgenden Arten zugewiesen:

index	Beschreibung
0	Borsten Schwertlilie (Iris setosa)
1	Verschiedenfarbige Schwertlilie (Iris versicolor)
2	Virginische Schwertlilie (Iris virginica)

Die Daten des Pakets sind in einen Trainings- und einen Test-Umfang aufgeteilt:

Trainings-Umfang	100 Objekte
Test-Umfang	50 Objekte

Im folgenden Beispiel werden diese Daten verwendet, um einen Entscheidungsbaum anhand der Trainingsdaten zu erstellen sowie anhand der Testdaten zu evaluieren. Hierzu kommt das DecisionTree-Paket zum Einsatz:

Zur Referenz

Die Wahl des Merkmals findet gemäß der periodischen Vorgehensweise statt und die Schwellwerte werden auf Grundlage der Mittelwert-Regel bestimmt.

Beispiel

Eintscheidungsbaum zur Klassifikation von Schwertlilien.

<!DOCTYPE html>
<html>
<head>
  <meta charset="utf-8">
  <meta name="viewport" content="width=device-width, initial-scale=1.0">
  <script src="taralino.js"></script>
  <script src="IrisFlower.js"></script>
</head>
<body>
<script>

// Trainings- und Testdaten
var X = IrisFlower.train();
var Y = IrisFlower.test();

// Entscheidungsbaum erstellen
DecisionTree.init(X, {feature_selection:"periodic", threshold_rule:"average"});

// Entscheidungsbaum testen und Konfusionsmatrix ausgeben
DecisionTree.confusion_matrix(Y, {display:"on"});

</script>
</body>
</html>

Vorschau Download Kopie speichern

Aufgabe

Mache dich mit dem Quellcode zuvor vertraut und schaue dir die Referenz des DecisionTree-Pakets an:

Zur Referenz

Experimentiere anschließend mit den beiden Parametern feature_selection und threshold_rule bei der Erstellung des Entscheidungsbaumes bzw. der Entscheidungsregeln. Welche Wahl liefert bezogen auf die Testdaten das beste Ergebnis?