Cây quyết định với bài toán phân loại dữ liệu
Khái niệm cây quyết định
Trong lĩnh vực học máy, cây quyết định là một kiểu mô hình dự báo (predictive
model), nghĩa là một ánh xạ từ các quan sát về một sự vật/hiện tượng tới các kết luận
về giá trị mục tiêu của sự vật/hiện tượng. Mỗi một nút trong (internal node) tương ứng
với một biến; đường nối giữa nó với nút con của nó thể hiện một giá trị cụ thể cho
biến đó. Mỗi nút lá đại diện cho giá trị dự đoán của biến mục tiêu, cho trước các giá
trị của các biến được biểu diễn bởi đường đi từ nút gốc tới nút lá đó. Kỹ thuật học
máy dùng trong cây quyết định được gọi là học bằng cây quyết định, hay chỉ gọi với
cái tên ngắn gọn là cây quyết định.
Hình minh họa
Học bằng cây quyết định cũng là một phương pháp thông dụng trong khai phá dữ liệu.
Khi đó, cây quyết định mô tả một cấu trúc cây, trong đó, các lá đại diện cho các phân
loại còn cành đại diện cho các kết hợp của các thuộc tính dẫn tới phân loại đó[1]. Một
cây quyết định có thể được học bằng cách chia tập hợp nguồn thành các tập con dựa
theo một kiểm tra giá trị thuộc tính . Quá trình này được lặp lại một cách đệ qui cho
mỗi tập con dẫn xuất. Quá trình đệ qui hoàn thành khi không thể tiếp tục thực hiện
việc chia tách được nữa, hay khi một phân loại đơn có thể áp dụng cho từng phần tử
của tập con dẫn xuất. Một bộ phân loại rừng ngẫu nhiên (random forest) sử dụng một
số cây quyết định để có thể cải thiện tỉ lệ phân loại.
Cây quyết định cũng là một phương tiện có tính mô tả dành cho việc tính toán các xác
suất có điều kiện.
Cây quyết định có thể được mô tả như là sự kết hợp của các kỹ thuật toán học và tính
toán nhằm hỗ trợ việc mô tả, phân loại và tổng quát hóa một tập dữ liệu cho trước.
Dữ liệu được cho dưới dạng các bản ghi có dạng: (x, y) = (x1, x2, x3 , xk, y)
Biến phụ thuộc (dependant variable) y là biến mà chúng ta cần tìm hiểu, phân loại hay
tổng quát hóa. x1, x2, x3 là các biến sẽ giúp ta thực hiện công việc đó
Cây quyết định còn có hai tên khác:
- Cây hồi quy (Regression tree) ước lượng các hàm giá có giá trị là số thực thay vì
được sử dụng cho các nhiệm vụ phân loại. (ví dụ: ước tính giá một ngôi nhà hoặc
khoảng thời gian một bệnh nhân nằm viện)

hơi sở hữu là 0 thì người đó sẽ chọn xeBus, nếu số xe hơi sở hữu là 1 thì người đó sẽ
chọn Train.
Theo cây quyết định trên, các luật (Series of Rules) được sinh ra từ cây quyết định
dùng để dự đoán như sau:
Rule 1 : If Travel cost/km is expensive then mode = car
Rule 2 : If Travel cost/km is standard then mode = train
Rule 3 : If Travel cost/km is cheap and gender is male then mode = bus
Rule 4 : If Travel cost/km is cheap and gender is female and she owns no car then
mode = bus
Rule 5 : If Travel cost/km is cheap and gender is female and she owns 1 car then
mode = train
Dựa vào các luật này, việc dự đoán lớp cho các dữ liệu chưa biết (unseen data hay
Testing data) rất đơn giản. Trong ví dụ này, Alex có giá trị của thuộc tính
Travel Cost/Km là Standard nên sẽ chọn phương tiện là Train (Rule 2) mà không cần
quan tâm đến các thuộc tính khác của Alex. Buddy có giá trị của thuộc tính
Travel Cost/Kmlà Cheap và Gender của anh ta là Male nên anh ta sẽ chọn Bus (Rule
3). Cheery cũng có giá trị thuộc tính TravelCost/Km làCheap nhưng Gender là
Female và sở hữu 1 xe hơi cho nên theo cây quyết định trên (Rule 5) cô ta sẽ chọn
phương tiện là Train.
Kết quả phân lớp bằng cây quyết định như sau:
Bảng 3
Cây quyết định là một phương pháp phân lớp rất hiệu quả và dễ hiểu. Tuy nhiên có
một số chú ý khi sử dụng cây quyết định trong xây dựng các mô hình phân lớp như
sau:
Hiệu của phân lớp của cây quyết định (Series of Rules) phụ thuộc rất lớn
vào training data. Chẳn hạn cây quyết định được tạo ra bởi chỉ giới hạn 10
samples training data trong ví dụ trên thì hiệu quả ứng dụng cây quyết định để dự
đoán các trường hợp khác là không cao (thường training data phải đủ lớn và tin cậy)
và vì vậy ta không thể nói rằng tập các luật (Series of Rules) được sinh ra bở cây
quyết định trên là tập luật tốt nhất.