Einführung in die Methoden der Künstlichen Intelligenz - Goethe ...

8.3 Lernen mit Entscheidungsbäumen
Beheben kann man das dadurch, dass man ab einer gewissen Schranke den Entscheidungsbaum
nicht weiter aufbaut, und den weiteren Aufbau an diesem Knoten stoppt:
Abschneiden des Entscheidungsbaumes (Pruning).
Wenn kein Attribut mehr einen guten Informationsgewinn bringt, dann besteht der Verdacht,
dass alle weiteren Attribute eigentlich irrelevant sind, und man das Verfahren an
dem Blatt stoppen sollte. Dies kann man bei bekannter Verteilung mittels eines statistischen
Test abschätzen.
Hierbei ist es i.a. so, dass es an dem Blatt, an dem abgebrochen wird, noch positive und
negative Beispiele gibt. Die Markierung des Knoten wählt man als Ja, wenn es signifikant
mehr positive als negative Beispiel gibt, und als Nein, wenn es signifikant mehr negative
als positive Beispiel gibt. Das ist natürlich nur sinnvoll, wenn man weiß, das es falsche
Beispiele geben kann.
Hat man verrauschte Daten, z.B. mit Messfehler behaftete Beispiele, dann ist Lernen
von Entscheidungsbäumen mit Pruning die Methode der Wahl.
M. Schmidt-Schauß & D. Sabel, Skript KI, WS 2012/13 273 Stand: 30. Januar 2013