Муниципальное автономное дошкольное образовательное учреждение

городского округа Саранск

«Детский сад №80 комбинированного вида»

«Чудо – дерево»

(Декоративно-оформительская лепка

итоговое занятие в подготовительной группе)

Подготовила и провела

воспитатель:

Уронина В.А.

Саранск, 2015

Использование современных педагогических технологий: развивающее обучение, сотрудничество, ИКТ.

Интеграция  образовательных областей: художественное творчество, коммуникация, социализация, труд.

Цели:

Образовательные: закреплять навыки работы с пластилином, полученные в детском саду;  побуждать детей к использованию разнообразных приемов и способов лепки для более  точной передачи объекта;  учить детей планировать и распределять работу между собой.

Развивающие:  развивать у детей мышление, воображение,  речь (в том числе за счет обогащения  словарного запаса), мелкую моторику, коммуникативные навыки, развивать чувство формы, творческие способности, сотрудничество в творческом процессе.

Воспитательные: воспитывать товарищество, ответственность, трудолюбие, усидчивость, любознательность, желание сделать подарок детскому саду на память, чувство радости и удовлетворения от результатов совместного творчества.

Задача: вызвать интерес к созданию своего образа «Чудо – дерева» в связи с выпуском в школу вложив в свою работу весь накопленный опыт и полученные знания в детском саду; с помощью формочек и рельефных фигурок, шерстяных ниточек для украшения «чуда – дерева» создать свой неповторимы образ; создать условия для экспериментирования.

Методическое обеспечение: игрушки для обыгрывания; цветной пластилин, стеки, доски для лепки, салфетки для рук, декоративные шерстяные ниточки, макет «чуда – дерева», музыкальное сопровождение песни «Маленькая страна», фоновая инструментальная музыка.

Содержание организационной деятельности:

Учитывая возраст (6-7 лет) и подготовку детей, педагог не дает им пошаговых инструкций, предоставляя детям проявить полученные ими в детском саду умения и свою фантазию.

Воспитатель  в процессе работы подходит ко всем детям, помогает советами, наводящими вопросами, напоминает приемы лепки тем, кто испытывает затруднения.

 Дети, которые быстро справляются со своим заданием, могут помочь своим друзьям или просто понаблюдать за их работой.

Предварительная работа:

В свободной деятельности учить детей использовать в работе природный материал, создавая свой образ «чуда – дерева», предложить детям просмотреть на экране иллюстрации сказочного дуба, выполненные разными художниками, и интересуется, какая иллюстрация и почему понравилась им больше. После этого воспитатель предлагает детям посмотреть на экране мультфильм «У  лукоморья…»

Ход занятия:

1. Организационный момент.

Звучит фоновая музыка.

Воспитатель читает стихотворение Л.Никоновой «Мы теперь выпускники»:

Сегодня волненье сдержать невозможно —

Последний ваш праздник в детском саду

Но сердце у нас и светло, и тревожно, —

Ведь выросли дети и в школу идут.

А как нелегко расставаться нам с вами

И вас из-под крылышка в свет выпускать.

Вы стали родными, вы стали друзьями,

И лучше вас, кажется, не отыскать.

2. Беседа по теме.

— Вот вы и выросли, ребята. Вы – выпускники, через несколько месяцев, в сентябре, вы пойдёте в школу. Начнётся совсем другая жизнь, вы станете учениками, будете учиться, получать знания. Но надеюсь, вы никогда не забудете свой родной детский сад, его сотрудников, воспитателей и ребят, которые остались в детском саду. Они также будут понимать вас и ждать в гости.

Нет лучше места на земле

Страны с названьем «Детский сад».

Здесь, в этой маленькой стране,

Вам, дети, каждый будет рад.

Дети берут игрушки и танцуют (произвольно) под песню «Маленькая страна»

— Я предлагаю вам оставить память о себе в детском саду – вылепить «чудо – дерево» с волшебными плодами – подарками в виде красивых декоративных формочек, которые можно на наго повесить. Может быть, вы знаете, как это можно сделать? Дети вспоминают, что они научились вылеплять из пластилина всевозможные фигурки, украшать их, показывают, как это можно сделать.

3. Практическая часть.

(Звучит фоновая инструментальная, сказочная мелодия, располагающая к

атмосфере волшебства и детской фантазии)

У детей на столах располагаются все необходимые материалы для творчества,

Воспитатель напоминает детям о подготовки пластилина к работе (что

пластилин необходимо прогреть и раскатать в ладошках, затем создавать

свою форму будущего «чуда – дерева». На примере 2-3 цветов педагог

показывает, каким образом можно передать характерные особенности

растения в скульптурном образе. Необходимо выбрать пластилин подходящего

цвета, создать исходную обобщённую форму ствола дерева, смоделировать

характерные детали подходящим способом – вытягивание и сплющивание,

заострение и присоединение и т.д.)

Макет располагается на заранее вырезанную платформу, в виде маленького

кружка – полянки.

В ходе практической работы предлагается детям сделать всевозможные украшения (сердечки, кольца, листочки и мн. др.), украсив их цветной шерстяной ниточкой. Показать при этом несколько образцов, выполненных заранее.

3. Пальчиковая гимнастика.

Оформление «чуда – дерева» (заготовки в виде незавершённой композиции), заранее выполненной в технике пластилиновой живописи). Провести анализ готовых работ.

Незадолго до окончания занятия дети переносят своих сказочных героев к месту расположения композиции и размещают в соответствии с сюжетом произведения.

Читают заранее выученные стихи про детский сад и школу:

После занятия. Завершается оформление коллективной композиции. Совместное рассматривание и обсуждение  композиции. Воспитатель обращает внимание  детей на то, композиция удалась благодаря дружной совместной работе и старанию каждого из них.  Педагог предлагает детям прочитать стихотворение (заранее выученные) про детский сад и школу:

До свиданья, наш любимый детский сад!

Были мы с тобою вместе много лет подряд!

А теперь мы расстаёмся – в школу нам идти.

Но тебя мы не забудем в жизненном пути!

Используемая литература:

1. Н.Н.Логинова. Художественное творчество (Освоение содержания

образовательной области по программе «Детство») Изд. Волгорад «Учитель»

2014 с.275-276

5

Введение в модельные деревья с нуля | от Anson Wong

A Decision Tree — это мощный контролируемый инструмент обучения в машинном обучении для рекурсивного разделения ваших данных на отдельные «островки» (с помощью разделения функций) с целью уменьшения общей взвешенной потери вашей подгонки к вашему тренировочному набору. , Что обычно используется в классификации дерева решений — это модальный классификатор с потерей индекса Джини, а также средняя регрессия с потерей L2 для регрессии дерева решений.То, что следует , следует соблюдать дополнительно, хотя это тот факт, что дерево решений может в принципе принимать на любой модели во время процедуры расщепления дерева , то есть , линейная регрессия , логистическая регрессия, нейронные сети . Цель этой статьи — познакомить вас с этим более обобщенным подходом под названием Деревья моделей, который позволит вам строить деревья решений из любой модели по вашему выбору (вместо того, чтобы полагаться на стандартные подходы CART)!

Прежде чем немного углубиться в понимание того, почему деревья моделей полезны и важны, мы предлагаем на своем Github реализацию кода моделей Python с нуля:

https://github.com/ankonzoid/LearningX/tree/master / advanced_ML / model_tree

Для получения дополнительной информации о моих блогах, учебных пособиях и проектах по машинному обучению, углубленному обучению и обучению в области подкрепления, пожалуйста, посетите мой Средний и мой Github .

Предположим, у вас есть некоторые сложные обучающие данные, и вы наивно думаете о простой модели, подходящей для этого обучающего набора (такой как линейная регрессия или логистическая регрессия).Особенно, если простая модель, которую вы предполагаете, имеет такую ​​низкую сложность, есть большая вероятность, что ваша модель сама по себе будет соответствовать вашим тренировочным данным. Тем не менее, надежда не теряется на этом этапе! Цель дерева моделей состоит в том, чтобы построить иерархию дерева решений из вашей простой модели, чтобы попытаться уместить несколько меньших частей вашего обучающего набора (созданных с помощью срезов функций) таким образом, чтобы общее дерево моделей действительно соответствовало для полного обучения. устанавливать.

Чтобы явно продемонстрировать полезность построения дерева моделей по регулярному дереву решений, рассмотрим одномерный полином 4-го порядка и различия между обучением регрессора дерева моделей линейной регрессии малой глубины (рис. 2.а) и стандартный регрессор дерева решений по умолчанию для scikit-learn (рис. 2.b). Вы заметите, что в этом примере дерево модели легко превосходит регрессор дерева решений scikit-learn.

На Рис. 2.а ниже мы наносим на карту подгонки дерева модели линейной регрессии к данным и увеличиваем глубину дерева, чтобы найти данные, которые хорошо подойдут на глубине 5. Как вы можете видеть, даже если подгонки Непревзойденные на очень низких глубинах дерева (т. е. 0, 1, 2), подгонки имеют интуитивный смысл, поскольку все они жадно пытаются уменьшить потери, покрывая большие части полинома, которые кажутся издалека прямыми.К тому времени, когда мы доберемся до глубин 4 и 5, дерево модели хорошо уловит зависимость данных от x, как и ожидалось от полинома 4-го порядка.

деревьев решений и обрезка в R

Деревья решений — это широко используемые классификаторы в отраслях, основанные на их прозрачности в описании правил, которые приводят к прогнозированию. Они расположены в виде иерархической древовидной структуры и просты для понимания и интерпретации. Они не подвержены выбросам и способны улавливать нелинейные отношения. Он может хорошо подходить для случаев, когда нам нужна способность объяснить причину конкретного решения.

В этой части мы непосредственно перепрыгнем через деревья решений в R, используя rpart . Мы открываем способы сокращения дерева для лучшего прогнозирования и создания обобщенных моделей. Читатели, которые хотят получить общее представление о деревьях, могут обратиться к некоторым из наших предыдущих статей:

Мы будем использовать библиотеку rpart для создания деревьев решений. rpart обозначает рекурсивное разбиение и использует алгоритм CART (деревья классификации и регрессии).Помимо библиотеки rpart , есть много других библиотек дерева решений, таких как C50 , Party , Tree и mapTree . Мы пройдемся по этим библиотекам в следующей статье.

После того, как мы установим и загрузим библиотеку rpart , у нас все готово для изучения rpart в R. Я использую набор аналитических данных HR Kaggle для этой демонстрации. Набор данных представляет собой небольшую выборку из примерно 14 999 строк.

  установить.пакеты ( "rpart")
библиотека (rpart)
hr_data <- read.csv ("data_science \\ dataset \\ hr.csv")  

Затем мы разделяем данные на два набора, Train и Test, в соотношении 70:30. Набор Train используется для обучения и создания модели. Тестовый набор считается фиктивной производственной средой для проверки прогнозов и оценки точности модели.

  sample_ind <- sample (nrow (hr_data), nrow (hr_data) * 0,70)
поезд <- hr_data [sample_ind,]
test <- hr_data [-sample_ind,]  

Затем мы создаем модель дерева решений, вызывая функцию rpart .Давайте сначала создадим базовую модель с параметрами и значением по умолчанию. CP (параметр сложности) используется для управления ростом дерева. Если стоимость добавления переменной выше, чем значение CP, рост дерева прекращается.

  # Базовая модель
hr_base_model <- rpart (слева ~., data = train, method = "class",
                       control = rpart.control (cp = 0))
Резюме (hr_base_model)
# Дерево решений
участок (hr_base_model)
# Изучить сложность сюжета
printcp (hr_base_model)
plotcp (hr_base_model)  

Если мы посмотрим на сводку hr_base_model в приведенном выше фрагменте кода, она показывает статистику для всех разбиений.Функции printcp и plotcp предоставляют ошибку перекрестной проверки для каждого nsplit и могут использоваться для сокращения дерева. Ошибка с наименьшей перекрестной проверкой ( xerror ) является оптимальным значением CP, заданным функцией printcp () . Использование этого сюжета описано в разделе после обрезки.

Далее точность модели вычисляется и сохраняется в переменной base_accuracy .

  # Вычислить точность обрезки дерева
тест $ pred <- прогнозировать (hr_base_model, тест, тип = "класс")
base_accuracy <- среднее (тест $ pred == тест $ left)  

Есть вероятность, что дерево может соответствовать набору данных. В таких случаях мы можем обрезать дерево. Сокращение в основном делается для того, чтобы уменьшить вероятность подгонки дерева к обучающим данным и уменьшить общую сложность дерева.

Существует два типа обрезки: до обрезки и после обрезки.

Предварительная подрезка

Предварительная обработка также известна как критерий ранней остановки. Как следует из названия, критерии задаются в качестве значений параметров при построении модели rpart . Ниже приведены некоторые критерии предварительной обрезки, которые можно использовать. Дерево перестает расти, когда оно удовлетворяет любому из этих предварительных критериев или обнаруживает чистые классы.

• maxdepth : Этот параметр используется для установки максимальной глубины дерева. Глубина - это длина самого длинного пути от корневого узла до конечного узла.Установка этого параметра остановит рост дерева, когда глубина будет равна значению, установленному для maxdepth .

• minsplit : это минимальное количество записей, которое должно существовать в узле, чтобы произошло или предпринято разделение. Например, мы устанавливаем минимальное количество записей в разбиении равным 5; затем узел может быть дополнительно разделен для достижения чистоты, когда количество записей в каждом разделенном узле больше 5.

• minbucket : это минимальное количество записей, которые могут присутствовать в терминальном узле.Например, мы устанавливаем минимальное количество записей в узле равным 5, что означает, что на каждом терминальном / конечном узле должно быть не менее пяти записей. Мы также должны позаботиться о том, чтобы не перегружать модель, указав этот параметр. Если для него установлено слишком маленькое значение, например 1, мы можем рискнуть перегрузить нашу модель.

  # Вырасти дерево с минсплитом 100 и максимальной глубиной 8
hr_model_preprun <- rpart (слева ~., data = train, method = "class",
                   control = rpart.control (cp = 0, maxdepth = 8, minsplit = 100))
# Вычислить точность обрезки дерева
тест $ pred <- прогнозировать (hr_model_preprun, тест, тип = "класс")
precision_preprun <- среднее значение (test $ pred == test $ left)  

Послеуборочный

Идея состоит в том, чтобы позволить дереву решений полностью расти и наблюдать значение CP.Затем мы обрезаем / обрезаем дерево с оптимальным значением CP в качестве параметра, как показано в следующем коде:

  # Постпрунинг
# Обрезать hr_base_model на основе оптимального значения cp
hr_model_pruned <- чернослив (hr_base_model, cp = 0,0084)
# Вычислить точность обрезки дерева
тест $ pred <- прогнозировать (hr_model_pruned, тест, тип = "класс")
precision_postprun <- среднее значение (test $ pred == test $ left)
data.frame (base_accuracy, precision_preprun, precision_postprun)  

Точность модели на тестовых данных лучше, когда дерево сокращено, что означает, что модель дерева сокращенного решения хорошо обобщается и больше подходит для производственной среды.Однако существуют и другие факторы, которые могут влиять на создание модели дерева решений, например, построение дерева на несбалансированном классе. Эти факторы не были учтены в этой демонстрации, но очень важно, чтобы они были рассмотрены во время разработки живой модели.

1.10. Деревья решений - scikit-learn 0.23.1, документация

Деревья принятия решений (DT) - это непараметрический метод обучения под наблюдением для классификации и регрессии. Цель состоит в том, чтобы создать модель, которая предсказывает ценность целевая переменная путем изучения простых правил принятия решений на основе данных функции.

Например, в приведенном ниже примере деревья решений учатся на основе данных аппроксимируйте синусоидальную кривую набором правил принятия решений if-then-else.Глубже чем сложнее дерево, тем сложнее правила принятия решений и тем лучше модель.

Некоторые преимущества деревьев решений:

• Простой для понимания и интерпретации. Деревья могут быть визуализированы.

• Требует небольшой подготовки данных. Другие методы часто требуют данных нормализация, фиктивные переменные должны быть созданы и пустые значения удалить. Обратите внимание, что этот модуль не поддерживает отсутствие ценности.

• Стоимость использования дерева (т.е.прогнозные данные) является логарифмической в количество точек данных, используемых для обучения дерева.

• Способен обрабатывать как числовые, так и категориальные данные. Другие техники обычно специализируются на анализе наборов данных, которые имеют только один тип переменной. Смотрите алгоритмы для более Информация.

• Способен решать проблемы с несколькими выходами.

• Использует модель белого ящика. Если данная модель наблюдается в модели, объяснение этого условия легко объясняется булевой логикой.Напротив, в модели черного ящика (например, в искусственной нейронной сети), результаты могут быть более трудными для интерпретации.

• Возможно проверить модель с помощью статистических тестов. Это делает это можно учитывать надежность модели.

• Хорошо работает, даже если его предположения несколько нарушены истинная модель, из которой были получены данные.

Недостатки деревьев решений включают в себя:

• Учащиеся по деревьям решений могут создавать слишком сложные деревья, которые не обобщать данные хорошо.Это называется переоснащением. Механизмы такие как обрезка, установка минимального необходимого количества образцов на узле листа или установка максимальной глубины дерева Необходимо избежать этой проблемы.

• Деревья решений могут быть нестабильными, потому что небольшие изменения в данные могут привести к созданию совершенно другого дерева. Эта проблема решается путем использования деревьев решений в ансамбль.

• Известно, что проблема изучения дерева оптимальных решений NP-полная под несколько аспектов оптимальности и даже для простых концепции.Следовательно, практические алгоритмы обучения дерева решений основаны на эвристических алгоритмах, таких как жадный алгоритм, где локально оптимальные решения принимаются на каждом узле. Такие алгоритмы не может гарантировать возвращение глобально оптимального дерева решений. это может быть смягчено путем обучения нескольких деревьев в ученике ансамбля, где элементы и образцы выбираются случайным образом с заменой.

• Есть концепции, которые трудно выучить, потому что деревья решений не выражайте их легко, например, проблемы XOR, четности или мультиплексора.

• Ученики дерева решений создают необъективные деревья, если доминируют некоторые классы. Поэтому рекомендуется сбалансировать набор данных перед установкой с деревом решений.

1.10.1. Классификация

DecisionTreeClassifier - класс, способный выполнять мультикласс классификация по набору данных.

Как и в других классификаторах, DecisionTreeClassifier принимает в качестве входных данных два массива: массив X, разреженный или плотный, размером [n_samples, n_features] , содержащий обучающие выборки и массив Y целочисленных значений размером [n_samples] , проведение ярлыков классов для учебных образцов:

 >>> из дерева импорта склеарн
>>> X = [[0, 0], [1, 1]]
>>> Y = [0, 1]
>>> clf = дерево.DecisionTreeClassifier ()
>>> clf = clf.fit (X, Y)
 

После установки модель может быть использована для прогнозирования класса образцов:

 >>> clf.predict ([[2., 2]])
Массив ([1])
 

Альтернативно, вероятность каждого класса может быть предсказана, которая является фракция обучающих образцов того же класса в листе:

 >>> clf.predict_proba ([[2., 2.]])
массив ([[0., 1.]])
 

DecisionTreeClassifier может работать как в двоичном формате (где метки [-1, 1]) классификация и мультикласс (где метки [0,…, K-1]) классификация.

Используя набор данных Iris, мы можем построить дерево следующим образом:

 >>> из sklearn.datasets import load_iris
>>> из дерева импорта склеарн
>>> X, y = load_iris (return_X_y = True)
>>> clf = tree.DecisionTreeClassifier ()
>>> clf = clf.fit (X, y)
 

После обучения вы можете построить дерево с помощью функции plot_tree :

 (x, Y) = (x1, x2, x3, ...., xk, Y) 

 training_data = [
 ['Green', 3, 'Apple'], 
 ['Yellow', 3, 'Apple'], 
 ['Red', 1, 'Grape'], 
 ['Red', 1, 'Grape'], 
 ['Yellow', 3, 'Lemon'], 
] 
 # Заголовок = ["Color", "Diameter", "Label"] 
 # Последний столбец этикетка.
 # Первые два столбца являются функциями. 

 class Вопрос: 
 "" "Вопрос используется для разделения набор данных. Этот класс просто записывает «номер столбца» (например,например, 0 для цвета) и 
 «значение столбца» (например, зеленый). Метод «соответствия» используется для сравнения 
 значения функции в примере со значением функции, сохраненным в вопросе 
. Смотрите демо ниже. 
 "" "def __init __ (self, column, value): 
 self.column = column 
 self.value = значение def match (self, example): 
 # Сравните значение функции в примере со значением функции 
 # в этот вопрос 
 val = пример [self.column] 
 if is_numeric (val): 
 return val> = self.значение 
 else: 
 return val == self.value def __repr __ (self): 
 # Это просто вспомогательный метод для печати 
 # вопроса в удобочитаемом формате. 
 условие = "==" 
 если is_numeric (self.value): 
 условие = "> =" 
 возврат "Является ли% s% s% s?" % (
 header [self.column], condition, str (self.value)) 

 Вопрос (1, 3) ## Диаметр> = 3? 
 Вопрос (0, "Зеленый") ## Является ли цвет == Зеленый? 

 def section (строки, вопрос): 
 "" "Разбивает набор данных. Для каждой строки в наборе данных проверьте, соответствует ли он вопросу. Если 
 так, добавьте его в« истинные строки », в противном случае добавьте его в« ложные строки ". 
" "" 
 true_rows, false_rows = [], [] 
 для строки в строках: 
, если question.match (строка): 
 true_rows.append (строка) 
 остальное: 
 false_rows.append (строка) 
 возвращает true_rows, false_rows 
 # Давайте разделим обучающие данные, основываясь на том, являются ли строки красными.
 true_rows, false_rows = partition (training_data, Question (0, 'Red')) 
 # Он будет содержать все «красные» строки. 
 true_rows ## [['Red', 1, 'Grape'], ['Red', 1, 'Grape']] 
 false_rows ## [['Green', 3, 'Apple'], ['Yellow' , 3, 'Apple'], ['Yellow', 3, 'Lemon']] 
 

 def gini (строки): 
 "" "Рассчитать примесь Джини для списка строк. 
 Есть несколько различных способов сделать это, я думал, что это был 
 наиболее кратким. См .: 
 https: / /en.wikipedia.org/wiki/Decision_tree_learning#Gini_impurity 
 "" "
 отсчетов = class_counts (ряды) 
 примесей = 1 
 для фунтов в подсчете: 
 prob_of_lbl = count [фунт] / поплавок (len (ряды)) 
 примесей - = prob_of_lbl ** 2 
 возвратная примесь 
 

 # Демонстрация 1: 
 # Давайте рассмотрим пример, чтобы понять, как работает Gini Impurity.
 # 
 # Сначала рассмотрим набор данных без микширования. 
 no_mixing = [['Apple'], 
 ['Apple']] 
 # это вернет 0 
 gini (no_mixing) ## output = 0 
 ## Демонстрация 2: 
 # Теперь мы рассмотрим набор данных с соотношение яблок: апельсинов 50:50 
 some_mixing = [['Apple'], 
 ['Orange']] 
 # это вернет 0,5 - это означает, что есть 50% вероятность ошибочной классификации 
 # случайный пример, который мы извлекаем из набор данных. 
 gini (some_mixing) ## output = 0.5 
 
 ## Демонстрация 3: 
 # Теперь рассмотрим набор данных с множеством различных меток 
 lots_of_mixing = [['' Apple '], 
 [' Orange '], 
 ['Grape'], 
 ['Grapefruit'], 
 ['Blueberry']] 
 # Это вернет 0.8 
 gini (lots_of_mixing) ## output = 0.8 
 ####### 
 

 def find_best_split (lines): 
 "" "Найдите лучший вопрос, который нужно задать, итерируя по каждой функции / значению 
 и вычисляя прирост информации."" "
 best_gain = 0 # отслеживать лучший прирост информации 
 best_question = Нет # отслеживать последовательность созданного им объекта / значения 
 current_unterminty = gini (строки) 
 n_features = len (row [0]) - 1 # количество столбцов для столбца в диапазоне (n_features): # для каждого значения функции = установлено ([строка [столбец] для строки в строках]) # уникальные значения в столбце для значения val в значениях: # для каждого значения вопроса = вопрос (столбец , val) # попробуйте разделить набор данных 
 true_rows, false_rows = partition (lines, question) # Пропустить это разделение, если оно не разделяет набор данных 
 #.
, если len (true_rows) == 0 или len (false_rows) == 0: 
 continue # Рассчитать выигрыш информации от этого разделения 
 gain = info_gain (true_rows, false_rows, current_unterminty) # Вы на самом деле можете использовать '>' вместо ' > = 'здесь 
 #, но я хотел, чтобы дерево выглядело определенным образом для нашего набора данных игрушек 
 #. 
, если усиление> = best_gain: 
 best_gain, best_question = усиление, возвращение вопроса best_gain, best_question 
 ####### 
 # Демонстрация: 
 # Найдите лучший вопрос, который нужно сначала задать для нашего игрушечного набора данных.
 best_gain, best_question = find_best_split (training_data) 
 best_question 
 ## output - диаметр> = 3? 
 

 def build_tree (lines): 
 "" "Создает дерево. Правила рекурсии: 1) Поверьте, что это работает. 2) Начните с проверки 
 на предмет базового варианта (без дополнительной информации). 3) Подготовьтесь к гиганту 
 трассировки стека. 
 "" "# Попробуйте разбить набор данных по каждому уникальному атрибуту, 
 #, рассчитать выигрыш в информации, 
 # и вернуть вопрос, который дает наибольшее усиление.
 выигрыш, вопрос = find_best_split (rows) # Базовый случай: больше никакой информации не получим 
 # Так как мы не можем задавать больше вопросов, 
 # мы вернем лист. 
, если усиление == 0: 
, возврат Лист (строки) # Если мы дойдем до этого, мы нашли полезную функцию / значение 
 # для разделения. 
 true_rows, false_rows = раздел (строки, вопрос) # Рекурсивно построить истинную ветвь. 
 true_branch = build_tree (true_rows) # Рекурсивно построить ложную ветвь. 
 false_branch = build_tree (false_rows) # Возвращает узел вопроса.
 # Здесь записывается лучшая особенность / значение, запрашиваемое на данный момент, 
 #, а также ветви, которые следует за 
 # в зависимости от ответа. 
 return Decision_Node (question, true_branch, false_branch) 

 training_data = [
 ['Green', 3, 'Apple'], 
 ['Yellow', 3, 'Apple'], 
 ['Red', 1, 'Grape'], 
 ['Red', 1, 'Grape'], 
 ['Yellow', 3, 'Lemon'], 
] 
 # Header = ["Color", "Diameter", "Label"] 
 # Последний столбец - это метка.
 # Первые два столбца являются функциями. 
 my_tree = build_tree (training_data) 
 
 print_tree (my_tree) 
 

 Является ли диаметр> = 3? 
 -> Правда: 
 Цвет == Желтый? 
 -> Верно: 
 Прогноз {'Лимон': 1, 'Яблоко': 1} 
 -> Ложь: 
 Прогноз {'Яблоко': 1} 
 -> Ложь: 
 Прогноз {'Виноград': 2 }