UCZĄCE SIĘ DRZEWA DECYZYJNE

Prof. Ryszard Tadeusiewicz - {W laboratorium i w praktyce - ciekawostki naukowo-techniczne}

Przyjrzyjmy się, jak ten postulat automatycznego uczenia się bywa spełniany przez tak zwane drzewa decyzyjne.
Drzewo decyzyjne jest jedną z form opisu sposobu osiągania określonych celów w obecności licznych warunków, mogących na to wpływać. Korzystanie z drzewa decyzyjnego przypomina nieco jazdę po mieście. Startujemy z określonego punktu (nazywanego korzeniem drzewa) i poruszamy się aż do najbliższego skrzyżowania (taki punkt nazywa się węzłem drzewa). Na tym skrzyżowaniu musimy zdecydować, w którą stronę pojedziemy dalej, przy czym na decyzję może wpływać ocena pewnego warunku (na przykład niektóre drogi mogą być aktualnie w remoncie, na innych możemy się go spodziewać). Rozstrzygamy jednak ten dylemat i jedziemy wybraną ulicą aż do kolejnego skrzyżowania (węzła), gdzie znowu trzeba ocenić nowy warunek i wybrać kolejny fragment drogi itp. Wreszcie dojeżdżamy do końcowego miejsca (nazywanego liściem drzewa) i osiągamy sukces albo odnotowujemy niepowodzenie zależnie od tego, czy udało się nam dojechać na czas.
Drzewa decyzyjne wykorzystuje się w informatyce od lat, gdyż są one bardzo wygodnym narzędziem do wspomagania procesów podejmowania decyzji w skomplikowanych sytuacjach. Przy ich pomocy sprawdza się stan techniczny samolotu przed startem, mogą one pomóc w rozstrzygnięciu, czy bank ma udzielić wnioskodawcy pożyczki itp.
Jednak prawdziwie użytecznym narzędziem stały się drzewa decyzyjne wyposażone w możliwość uczenia się. Punktem wyjścia do zbudowania uczącego się drzewa decyzyjnego jest tak zwany zbiór uczący, to znaczy zestaw przykładowych procesów, w których stwierdzono, jakie były ich skutki. Na przykład w zadaniu związanym z kredytem można posłużyć się zapisami wcześniejszych transakcji, w których pewnym ludziom udzielono pożyczek, a innym nie. Badając, które z tych decyzji były trafne (klienci spłacili kredyt i bank zarobił), a które były błędne (udzielono pożyczki bankrutowi), można starać się znaleźć taki zbiór reguł, który w przyszłości zwiększy szanse decyzji korzystnych, a ograniczy ryzyko popełniania kosztownych błędów.
Taki proces gromadzenia ogólnej wiedzy na podstawie konkretnych doświadczeń nazywa się indukcją. Jest on przeciwieństwem dedukcji (korzystał z niej, jak wiadomo, Sherlock Holmes), w której na podstawie ogólnej wiedzy o zachowaniach ludzi (zwłaszcza przestępców) wyciągane były konkretne wnioski - kto był sprawcą konkretnego przestępstwa.
Przedmiotem naszej analizy w tym krótkim szkicu jest więc indukcja opisana w strukturze drzewa.
Tworzenie z takiego drzewa przypomina trochę planowanie trasy przejazdu przez miasto na podstawie wielu konkretnych doświadczeń. Raz jedziemy z taksówkarzem, którego doświadczenie pomaga nam zaplanować na przyszłość trasę własnego przejazdu (w uczących się drzewach decyzyjnych odpowiada to wykorzystaniu przykładowego poprawnego rozwiązania jako czynnika "napędzającego" proces uczenia). Innym razem sami wybieramy się w drogę, podejmując decyzje metodą na chybił trafił i oceniając końcowy wynik. W sumie więc gromadzimy wiedzę, która pozwala nam ustalić strukturę drzewa (złożoną z węzłów i gałęzi). W odniesieniu do przykładu związanego z przejazdem przez miasto ustalenie struktury uczącego się drzewa sprowadza się do tego, żeby wiedzieć, na których skrzyżowaniach można jechać bez zastanowienia, bo jedyna właściwa droga biegnie na przykład w prawo (takie skrzyżowania nie będą węzłami w naszym drzewie decyzyjnym, bo na nich w istocie nie podejmuje się decyzji), a także jakie warunki sprawdzać w kolejnych węzłach (na co zwracać uwagę na kolejnych skrzyżowaniach). Technika ta, mimo pozornie skomplikowanego opisu, jest łatwa i wygodna w praktycznym stosowaniu!