Decision Tree
Ein Decision Tree (Entscheidungsbaum) ist ein ML-Modell, das eine baumähnliche Struktur verwendet, um Vorhersagen zu treffen. Es handelt sich um ein einfaches, aber leistungsfähiges Werkzeug zur Vorhersage von Werten (Regression) oder Klassen (Klassifikation) auf der Grundlage mehrerer Eingaben, indem die Daten in immer kleinere Teilmengen unterteilt werden, bis eine endgültige Entscheidung getroffen wird. Die Struktur des Baums ermöglicht eine einfache Interpretation und Visualisierung des Modells.
Unterstützte Eigenschaften
ONNX-Support
- TreeEnsambleClassifier
- TreeEnsambleRegressor
Beispiele für den Export von Decision Tree-Modellen finden Sie hier: ONNX-Export eines Decision Tree.
 | Einschränkung bei Klassifikation Bei Klassifikationsmodellen wird nur der Ausgang der Labels in der SPS abgebildet. Die Scores/Probabilities sind in der SPS nicht verfügbar. |
Unterstützte Datentypen
Es ist zu unterscheiden zwischen „supported datatype“ und „preferred datatype“. Der preferred datatype entspricht der Präzision der Ausführungs-Engine.
Der preferred datatype ist floating point 64 (E_MLLDT_FP64-LREAL).
Bei Verwendung eines supported datatype wird eine effiziente Typ-Konvertierung automatisch in der Bibliothek durchgeführt. Durch die Typ-Konvertierung kann es zu minimalen Performance-Einbußen kommen.
Eine Liste der supported datatypes finden Sie unter ETcMllDataType.