Первый взгляд на модель дерева решений
Очевидно, что это модель дерева решений, рассматривающая подбор резюме.
Мы видим, что это сначала дерево
Во-вторых, это дерево решений, состоящее из нескольких слоев суждений.
Давайте проанализируем эту проблему.Во-первых, давайте предположим, что это модель проверки резюме для фронтенд-разработчиков.
Прежде всего, мы предполагаем, что это back-end босс, который сам научился front-end, и имеет сильные бизнес-возможности front-end.Навыки написаны с навыками front-end и back-end, но у него нет реальный опыт работы в области фронтенд-разработки, и у него есть навороты.
Если вы посмотрите на это дерево, вы его пройдете, когда у вас есть профессиональные навыки, и дадите, когда у вас нет опыта, а затем отклонят резюме. Однако в реальной ситуации, если ожидаемая заработная плата этого человека и строгое образование, требуемое компанией, находятся в соответствующем диапазоне, компания может дать этому человеку шанс пройти собеседование.
Итак, у нас есть первый вопрос, должно ли это дерево решений быть контролируемым и не может быть отклонено одним голосом.
Тогда предположим, что это очень сильный инженер, занимающийся искусственным интеллектом, и его резюме входит в модель этого фронтенд-инженера.
Его навыки, включая front-end, back-end, искусственный интеллект, краулер, очень сильны. И затем, хотя он совсем не хочет быть фронтенд-инженером, его намерение искать работу — это дизайн одежды. Но эта модель посмотрит вниз и, наконец, найдет ее очень подходящей и отправит ему приглашение на собеседование, но они не пойдут.
А вот и второй вопрос: нужно ли добавлять в древовидную структуру индикатор характеристики, чтобы судить о стремлении к поиску работы, где этот индикатор должен быть размещен и почему он должен быть первым? Потому что он очень важен, если это не подходит, то не может быть подходящим.
Теперь у нас есть две проблемы
Будет ли многоветвевое дерево решений?
Насколько важен порядок принятия решений в дереве решений?
Давайте посмотрим на эти два вопроса ниже
ID3
Что такое ID3? Он использует принцип информационной энтропии для выбора атрибута с наибольшим приростом информации в качестве атрибута классификации, одновременно определяет ветвь дерева решений и завершает построение дерева решений.
Информационная энтропия
Эй, ты запутался, когда увидел это слово?
Давайте сначала поговорим об энтропии, разве она не используется для описания степени хаоса?
Информационная энтропия — это показатель, используемый для измерения влияния данных на неопределенность модели при случайном выборе.
Вставьте концепцию и формулу ниже
получение информации
Привести пример
Предположим, у нас есть такая таблица сопоставления резюме сотрудника
Сначала вычислите информационную энтропию
Рассчитайте прирост информации на основе опыта
Затем рассчитайте соответствующий прирост информации в соответствии с другими
Наконец, после подсчета, я обнаружил, что самая подходящая зарплата – первая.
собственное резюме
Именно эта модель. Чтобы получить модель этого дерева решений, какое суждение должно быть вынесено первым? С точки зрения программы, мы должны позволить ему сделать наименьшее суждение. Затем мы сначала видим, сколько видов результатов в итоге получается. Например, в этой модели конечным результатом является только «пройдено» и «не пройдено». По данным известно, что большинство людей, подающих резюме, имеют одинаковый уровень, образование и навыки, но зарплата не совпадает, поэтому модель сначала оценивает оптимальную зарплату и непригодность.