Daten in den ENTER laden

Zu Beginn müssen Daten in Form einer CSV-Datei in den ENTER geladen werden. Nachfolgend finden Sie einige von uns zur Verfügung gestellte Datensätze.

• 📑 Trainingsdatensatz_Fische_klein als .csv-Datei:

  Download ⭳
• 📑 Testdatensatz_Fische_klein als .csv-Datei:

  Download ⭳
• 📑 Fischdatensatz_groß als .csv-Datei:

  Download ⭳

Es können auch eigene Datensätze in den ENTER geladen werden. Diese müssen in der ersten Zeile die Benennungen der betrachteten Merkmale und die Benennung der Labelspalte enthalten. In den folgenden Zeilen stehen nun die Werte der einzelnen Trainingsdatenpunkte entsprechend der festgelegten Reihenfolge der Merkmale. Die einzelnen Einträge müssem mit ; getrennt sein.

Den Entscheidungsbaum erstellen

Nachdem Daten für das Training des Entscheidungsbaums geladen wurden, kann dieser mit nur einem Klick erstellt werden. Zuvor können noch das zu verwendende Splitkriterium und optional gewünschte Hyperparameter ausgewählt werden.

Im Bereich Informationsgewinn können Sie das Split-Kriterium auswählen, welches für die Bestimmung des besten Attributs, also die Berechnung des Informationsgewinns, verwendet wird. Zur Auswahl stehen die Splitkriterien Fehlklassifikationen zählen, Fehlklassifikationsrate, Gini-Impurity und Entropie. Da an diser Stelle der Fokus auf der Anwendung des ENTERs liegt, wird für die fachliche Erklärung der Splitkriterien auf die ISB-Handreichung Künstliche Intelligenz oder auf die Fortbildungen KI@Informatik 11 – was, wozu, wie, womit unterrichten der Universität Passau verwiesen.

Im Bereich Hyperparameter können Sie unterschiedliche Hyperparameter festlegen, welche bei der Erstellung des Entscheidungsbaums berücksichtigt werden sollen
Verfügbare Hyperparameter:

• Maximale Baumtiefe:
  Dieser Hyperparameter bestimmt die maximale Tiefe des Entscheidungsbaums. Ist der Hyperparameter aktiv mit eingetragenem Wert 5, hat der erstellte Baum eine maximale Baumtiefe von 5. Ein Baum mit Tiefe 0 besteht nur aus der Wurzel.
  Als Eingabe sind nur nicht-negative, ganze Zahlen zugelassen.
• Minimale Reinheit in % für Klassifikation:
  Dieser Hyperparameter bestimmt die minimale Reinheit eines Knoten in Prozent, welche dieser mindestens haben muss, damit er nicht weiter aufgeteilt, d.h. einer Klasse zugeordnet wird. Ist der Hyperparameter aktiv mit eingetragenem Wert 60, wird ein Knoten einer Klasse zugeordnet, d.h. nicht weiter aufgeteilt, wenn mindestens 60 % seiner Trainingsdaten zu der im Knoten maximal vorkommenden Klasse gehören. Andernfalls wird weiter aufgeteilt.
  Als Eingabe sind nur nicht-negative, ganze Zahlen im Bereich von 1 bis 100 zugelassen.
• Minimale Elementzahl in Knoten:
  Dieser Hyperparameter bestimmt die minimale Anzahl an Trainingsdatenpunkten, welche der zu einem Knoten gehörende Teildatensatz haben muss für eine weitere Aufteilung. Ist diese minimale Anzahl unterschritten, findet keine weitere Aufteilung des Knotens statt. Ist der Hyperparameter aktiv mit eingetragenem Wert 5, wird ein Knoten nur aufgeteilt, wenn der zum Knoten gehörende Trainingsdatensatz aus 5 oder mehr Elementen besteht.
  Als Eingabe sind nur positive, ganze Zahlen größer gleich 1 zugelassen.

Durch Auswahl der Checkbox im Bereich Autom. Datenaufteilung wird der Teil der Oberfläche zur Steuerung der automatischen Datenaufteilung eingeblendet (siehe links).
Die Eingabe im Feld Anteil der Trainingsdaten in % legt fest, wie viele Datenobjekte (Anzahl aufgerundet) des geladenen Datensatzes entsprechend dem eingegebenen Prozentsatz als Trainingsdaten verwendet werden sollen. Durch Klick auf den Button Daten aufteilen werden die geladenen Daten gemischt und aufgeteilt in Trainingsdaten und Testdaten. Da sich damit die Trainingsdaten geändert haben, wird ein ggf. trainierter Entscheidungsbaum verworfen. Der auf die Trainingsdaten entfallende Teildatensatz wird im Tab Trainingsdaten angezeigt. Der auf die Testdaten entfallende Teildatensatz wird im Bereich des Testmodus hinterlegt.
Deaktiviert man die automatische Datenaufteilung stehen wieder alle geladenen Daten als Trainingsdaten zur Verfügung.

Knotendetails - Den Baum unter die Lupe nehmen

Durch Klick auf einen Knoten des Entscheidungsbaums werden im Reiter Knotendetails die Informationen zu diesem Knoten angezeigt.

Je nach Art des ausgewählten Knoten ändert sich die Anzeige.

• Auswahl eines inneren Knotens:
  Anzeige der durch eine potentielle Aufteilung nach dem jeweiligen Attribut erreichten Informationsgewinne, des dadurch ausgewählten besten Attributs für eine Aufteilung und des Teildatensatzes des Knotens.
• Auswahl eines Blattknotens:
  Anzeige des Teildatensatzes des Knotens.

Testmodus - Den Entscheidungsbaum testen

Nachdem im Rahmen der Trainingsphase ein Entscheidungsbaum erstellt wurde, kann dieser nun auch direkt im ENTER getestet werden. Dafür lässt sich ein Testdatensatz mit Hilfe des Baums auswerten und die Ergebnisse dieser Auswertung werden, sowohl direkt, als auch zusammengefasst in Form einer Konfusionsmatrix dargestellt (siehe nächsten Abschnitt).

Wird der Testmodus durch Klick auf den Button Testmodus aktivieren aktiviert, werden alle für das Training nutzbaren Eingabemöglichkeiten deaktiviert, damit während des Testens das Modell nicht geändert werden kann. Des Weiteren wird der Tab aktiviert, welcher den Testmodus realisiert.
Wird der Testmodus durch Klick auf den Button Testmodus deaktivieren deaktiviert, werden alle Berechnungen der aktuellen Testphase verworfen, die entsprechenden Tabs werden deaktiviert und die Eingabemöglichkeiten für die Trainingsphase werden wieder aktiviert.