اكتساب المعلومات (شجرة القرار)
المحتويات
بدايةً، في نظرية المعلومات والتعلم الآلي، يعبر اكتساب المعلومات عن مقدار المعلومات المكتسبة حول متغير عشوائي أو إشارة معينة من وجهة نظر متغير عشوائي آخر. ويستعمل اكتساب المعلومات مع أشجار القرار في بعض الأحيان بشكل مترادف مع المعلومات المتبادلة. وتعرض الأقسام التالية جوانب أخرى من الموضوع.
نقاط الضعف
المراجع
وفي هذا الصدد، على الرغم من أن اكتساب المعلومات يعد عادةً مقياسًا جيدًا لتحديد مدى أهمية السمة (attribute)، إلا أنه ليس مثاليًا. تحدث مشكلة ملحوظة عند تطبيقه على السمات التي يمكن أن تأخذ على عدد كبير من القيم المتميزة. مثلًا، افترض أن المرء يقوم ببناء شجرة قرار لبعض البيانات التي تصف عملاء شركة ما. غالبًا ما يستعمل كسب المعلومات لتحديد السمات الأكثر ملاءمة، والتي يمكن اختبارها بالقرب من جذر الشجرة. لكن قد تكون إحدى سمات الإدخال هي رقم بطاقة ائتمان العميل. تحتوي هذه السمة على معلومات متبادلة عالية (mutual information)، لأنها تحدد هوية كل عميل بشكل فريد، لكننا لا نريد تضمينها في شجرة القرارات لأنه من غير المرجح أن يعمم تحديد كيفية التعامل مع العميل استنادًا إلى رقم بطاقة الائتمان الخاصة به والذي سيولد مشكلة مع العملاء الذين لم يتعرف عليهم النظام حتى الآن، وتحديداً مشكلة الإحكام المفرط.
في هذا الإطار، لمواجهة هذه المشكلة، اقترح روس كوينلان اختيار السمة ذات اكتساب المعلومات الأعلى من بين السمات التي يكون متوسط اكتسابها للمعلومات أو أعلى. يؤدي هذا إلى تحيز شجرة القرار ضد النظر في السمات التي تحتوي على عدد كبير من القيم المتميزة، مع عدم منح ميزة بشكل غير عادل للسمات ذات قيمة المعلومات المنخفضة، حيث أن قيمة المعلومات تكون أعلى أو مساوية لكسب المعلومات.
📝 هل في هذه المقالة خطأ؟
إذا وجدت معلومة تحتاج تصحيحاً أو إضافة، أو أردت حذف المقالة، أرسل لنا طلباً وسنراجعه.
ما رأيك في هذه المقالة؟