alberi decisionali e Random Forest gli alberi decisionali sono metodi di Machine Learning supervisionato adatti sia a problemi di classificazione che di regressione un albero decisionale può essere immaginato come un albero vero e proprio con radici rami e foglie la struttura di un albero decisionale e gerarchica e si compone principalmente dei seguenti elementi il nodo radice rappresenta l'intero insieme di dati i nodi interni pongono delle domande sui dati determinando così quale ramo dell'albero seguire i rami rappresentano le scelte fatte basandosi sulle risposte ai nodi interni infine troviamo i nodi foglia che sono i nodi finali dove
si arriva a una decisione o previsione senza porre ulteriori domande Come funzionano gli alberi decisionali il processo decisionale parte dalla radice dell'albero dove si pone una domanda sui dati basandosi sulla risposta si segue il ramo corrispondente Fino al prossimo nodo dove viene posta un'altra domanda e così via fino a raggiungere una foglia dove si arriva a una decisione o una previsione vediamo un esempio pratico per capire meglio immaginiamo di voler decidere se giocare a tennis basandoci sulle condizioni meteorologiche il nostro albero decisionale inizia con una domanda come èo Se la risposta è sì decideremo di
giocare Se la risposta è no andremo al nodo interno successivo qui la domanda è sta piovendo in questo momento Se la risposta è sì la decisione finale è di non giocare se i no Procederemo al nodo interno successivo la domanda Nel prossimo nodo potrebbe quindi essere del tipo l'abbonamento prevede il rimborso nel caso piove A questo punto se la risposta è no il rischio di andare a giocare a tennis è alto e la decisione è di non giocare Se invece abbiamo il rimborso In caso di pioggia ci recheremo al campo per giocare quando procediamo alla
creazione di un albero decisionale questa deve essere effettuata scegliendo opportune domande e collocandole nell'ordine migliore in modo tale da massimizzare le informazioni che si generano da ogni domanda per costruire gli alberi decisionali solitamente si ricorre a metodi matem come ad esempio l'indice di G utile per misurare e ridurre l'incertezza Oltre agli alberi decisionali singoli esistono anche le Random Forest una Random Forest è un insieme di numerosi alberi decisionali Ognuno dei quali è addestrato su un diverso sottoinsieme dei dati per ottenere un risultato finale le previsioni di tutti gli alberi vengono combinate il risultato risulta più
accurato e robusto rispetto a un singolo albero decis Tuttavia Sebbene le Random Forest tendano ad offrire prestazioni superiori un punto a loro sfavore è l'interpretatore
