C4.5: Programy do uczenia maszynowego

Opinie czytelników

Książka jest uważana za klasykę dla poważnych użytkowników algorytmu drzewa decyzyjnego C4.5 i jego komercyjnych następców, See5 i C5.0. Oferuje dokładne wyjaśnienie metody C4.5, zawiera pełną listę kodów źródłowych i zapewnia wgląd w praktyczne zastosowanie drzew decyzyjnych w eksploracji danych i uczeniu maszynowym. Recenzenci zauważają jednak, że jest to nieco drogie i mocno skoncentrowane na kodzie, co może umniejszać teoretyczne dyskusje, na które liczyli niektórzy czytelnicy. Istnieją również sugestie dotyczące zaktualizowanego wydania, które obejmowałoby bardziej kompleksowo algorytm C5.0.

⬤ Nieocenione źródło informacji dla poważnych użytkowników C
⬤ 5 i jego następców
⬤ jasny i szczegółowy opis algorytmu C
⬤ 5 i praktycznych zastosowań
⬤ zawiera kompletny kod źródłowy
⬤ wnikliwy dla konstrukcji drzew decyzyjnych.

⬤ Nieco droga
⬤ ponad połowa książki poświęcona jest kodowi C
⬤ 5, potencjalnie zmniejszając zawartość teoretyczną
⬤ pragnienie zaktualizowanego wydania obejmującego C
⬤ 0.

(na podstawie 4 opinii czytelników)

Oryginalny tytuł:

C4.5: Programs for Machine Learning

Zawartość książki:

Systemy klasyfikatorów odgrywają ważną rolę w uczeniu maszynowym i systemach opartych na wiedzy, a praca Rossa Quinlana nad ID3 i C4. 5 jest powszechnie uznawana za jeden z najbardziej znaczących wkładów w ich rozwój. Niniejsza książka jest kompletnym przewodnikiem po systemie C4. 5 zaimplementowanego w języku C dla środowiska UNIX. Zawiera kompleksowy przewodnik po użytkowaniu systemu, kod źródłowy (około 8800 linii) i uwagi dotyczące implementacji.

C4. 5 rozpoczyna się od dużych zestawów przypadków należących do znanych klas. Przypadki, opisane przez dowolną mieszankę właściwości nominalnych i numerycznych, są analizowane pod kątem wzorców, które pozwalają na wiarygodne rozróżnienie klas. Wzorce te są następnie wyrażane jako modele, w postaci drzew decyzyjnych lub zestawów reguł if-then, które można wykorzystać do klasyfikacji nowych przypadków, z naciskiem na uczynienie modeli zrozumiałymi i dokładnymi. System został z powodzeniem zastosowany do zadań obejmujących dziesiątki tysięcy przypadków opisanych setkami właściwości. Książka zaczyna się od prostych podstawowych metod uczenia się i pokazuje, jak można je opracować i rozszerzyć, aby poradzić sobie z typowymi problemami, takimi jak brakujące dane i nadmierne trafienia. Zalety i wady podejścia C4. 5 zostały omówione i zilustrowane kilkoma studiami przypadków.

Książka ta powinna zainteresować twórców inteligentnych systemów opartych na klasyfikacji oraz studentów kursów uczenia maszynowego i systemów eksperckich.