A genetic algorithm for constructing high accuracy decision trees

Karar ağaçları, kolay uygulanması ve yorumlanabilir olması nedeniyle en çok tercih edilen sınıflandırma yöntemlerinden biridir. Geleneksel karar ağacı algoritmaları miyopik ve üstten aşağı doğru indüksiyon stratejisi kullanarak ağaçları inşa eder. CART (sınıflandırma ve regresyon ağacı), ID4, C4.5 bu algoritmalar arasındaki en iyi bilinen örneklerdendir. Ancak, bu yöntemlerin bazı dezavantajları vardır. En önemli dezavantajı, ağaçta sıradaki dallanma kararlaştırılırken gelecekteki kararlara etkileri göz önünde bulundurulmamasıdır. Diğer bir deyişle, bu algoritmaların miyopic doğası optimal çözümün bulunmasını engeller. Literatürde, optimal karar ağaçları oluşturmak için matematiksel modeller oluşturulmuştur (karma-tamsayılı matematiksel modeller). Oluşturulan modellerin optimal sonucu bulması garanti edilir, ancak yapısı gereğince NP-Zor bir problem olmasından dolayı orta büyüklükteki veri setlerinde makul bir sürede optimale ulaşmak zordur. Bu tez, geleneksel ağaçlardan, örneğin CART metodundan daha doğru bir ağaç bulmayı ve karma tamsayılı matematik modelinden daha kısa bir sürede optimale yakın sonucu bulmayı amaçlar. Bu amaçla, doğruluk derecesi yüksek karar ağaçları bulmak için kromozom yapıya sahip bir genetik algoritma öneriyoruz. Ayrıca, başlangıç popülasyonunda, rastgele oluşturulan ağaçların, daha az örnek ile oluşturulan CART algoritmalarının çözümlerinin ve matematiksel modelin çözümlerinin bir karışımına değineceğiz. önerilen genetik algoritmanın performansı, ortaya çıkan ağaçların derinliğinde çeşitli sınırlar ve belirtilen içeriklerde farklı popülasyon karışımları ile beş farklı veri seti kullanılarak test edildi. Sonuçlar, önerilen genetik algoritmanın performansının analizde kullanılan neredeyse tüm veri setlerinde CART'tan daha üstün olduğunu ortaya çıkarıyor.