ساخت یک مدل Decision Tree ساده

اولین قدم در یادگیری ماشین بدون کد

یکی از نقاط قوت KNIME این است که می‌توان بدون نوشتن کد پایتون یا R، یک مدل ساده یادگیری ماشین ساخت. Decision Tree (درخت تصمیم) یک نقطه شروع خوب است چون منطق تصمیم‌گیری آن به‌راحتی قابل فهم و تفسیر است.

گردش کار معمول ساخت یک مدل درخت تصمیم شامل این node‌هاست:

1. Partitioning: تقسیم داده به دو بخش آموزش (train) و آزمون (test)، معمولاً با نسبت ۷۰ به ۳۰ یا ۸۰ به ۲۰.
2. Decision Tree Learner: آموزش مدل روی بخش train، با مشخص کردن ستون هدف (target) که می‌خواهیم پیش‌بینی کنیم.
3. Decision Tree Predictor: اعمال مدل آموزش‌دیده روی بخش test برای تولید پیش‌بینی.
4. Scorer: مقایسه پیش‌بینی با مقدار واقعی و محاسبه دقت مدل.

مثال کاربرد: پیش‌بینی این‌که آیا مشتری خرید را ادامه می‌دهد (Churn) یا خیر
ستون هدف: وضعیت_مشتری (مقادیر: "فعال" یا "ریزش‌کرده")
ستون‌های ورودی: سن، میانگین خرید ماهانه، تعداد تماس با پشتیبانی، مدت عضویت

در تنظیمات Decision Tree Learner، پارامترهایی مثل حداقل تعداد سطر در هر برگ درخت (min number of records per node) وجود دارد که از overfitting (بیش‌برازش، یعنی حفظ کردن داده آموزشی به‌جای یادگیری الگوی واقعی) جلوگیری می‌کند. اگر این عدد خیلی کوچک باشد، درخت بیش از حد پیچیده و ریزبین می‌شود و روی داده جدید عملکرد ضعیفی خواهد داشت. برای شروع، مقدار پیش‌فرض معمولاً کافی است و بعداً می‌توانید با آزمون و خطا آن را تنظیم کنید.