عبدالرضا اسماعیلی - ۱-دانشیار پژوهشکده پلاسما و گداخت هسته ای. پژوهشگاه علوم و فنون هسته ای
مسلم حاجی مزدارانی - ۲- دانشجوی دکتری، مهندسی برق قدرت، شرکت توزیع نیروی برق تهران بزرگ
علی سلدوزی - ۳-دکتری تخصصی، مهندسی برق قدرت، شرکت خدمات انفورماتیک
سید نوید مقدسی - ۴- دکتری تخصصی، مهندسی برق قدرت، شرکت کارت اعتباری ایران کیش

خلاصه: روش درخت تصمیم گیری، رایج ترین روش کاوش داده ها است که برای استقرار سیستم های طبقه بندی بر اساس کوواریانس یا برای الگوریتم های پیش بینی برای متغیر هدف استفاده می شود. این روش یک جمعیت را به بخش های شاخه مانندی تقسیم می کند که یک درخت معکوس را با یک گره ریشه، گره های درونی و گره های برگ می سازد. این الگوریتم غیر پارامتریک است و می تواند به صورتی کارآمد با مجموعه داده های پیچیده، بزرگ سروکار داشته باشد بدون آنکه یک ساختار پارامتریک پیچیده را تحمیل کند. وقتی اندازه نمونه به اندازه کافی بزرگ باشد، مطالعه داده ها می تواند به مجموعه داده های اعتبارسنجی و آموزشی تقسیم شود. از مجموعه داده های آموزشی برای ساخت یک مدل درخت تصمیم گیری و یک مجموعه داده اعتبارسنجی برای تصمیم گیری در مورد اندازه درخت مورد مناسب موردنیاز برای رسیدن به مدل نهایی بهینه، استفاده می کند. این مقاله، الگوریتم هایی را که معمولا برای توسعه درخت های تصمیم گیری (ازجمله CART, C۴.۵, CHAID و QUEST) استفاده شده اند را معرفی می کند و برنامه های SAS و SPSS را که می توانند برای تصویرسازی این ساختار درختی استفاده شوند را توصیف می کنند.

کلمات کلیدی: درخت تصمیم گیری، داده کاوی، طبقه بندی، پیش بینی