การใช้งาน Decision Tree algorithm ในภาษา Java แบบง่ายๆ พร้อมตัวอย่าง

หัวข้อ: การประยุกต์ใช้งาน Decision Tree Algorithm พร้อมตัวอย่างโค้ดในภาษา Java

ข้อความบทความ:

การตัดสินใจเป็นหัวใจหลักของการแก้ปัญหาในหลากหลายสถานการณ์ ในโลกของการเขียนโปรแกรมก็เช่นกัน หนึ่งในอัลกอริธึมที่ได้รับความนิยมสำหรับการจำลองกระบวนการตัดสินใจคือ Decision Tree Algorithm ซึ่งเป็นเครื่องมือที่ช่วยในการจำแนกหมวดหมู่และคาดการณ์ผลลัพธ์โดยอาศัยการเรียนรู้ของเครื่อง (Machine Learning) วันนี้ เราจะมาดูกันว่า Decision Tree Algorithm ทำงานอย่างไร พร้อมทั้งยกตัวอย่างโค้ดในภาษา Java และ use case ที่เกี่ยวข้องกับชีวิตจริงเพื่อช่วยให้คุณเข้าใจการประยุกต์ใช้งานได้ดียิ่งขึ้น

ความรู้พื้นฐานเกี่ยวกับ Decision Tree

Decision Tree เป็นโครงสร้างที่คล้ายกับต้นไม้ซึ่งประกอบด้วย node หลายๆ ตัวที่แต่ละ node จะแทนคำถามหรือการตัดสินใจบางประการ ทางเลือกที่ออกมาจากแต่ละ node จะนำไปสู่ node ต่อไปหรือถึง leaf node ที่มีค่าคำตอบหรือทำนายผลลัพธ์ การทำงานของ Decision Tree ก็คล้ายกับการตัดสินใจของมนุษย์ เริ่มจากสถานการณ์ต่างๆ และดำเนินการเลือกทางเลือกตามเงื่อนไขที่กำหนดไว้จนกระทั่งถึงข้อสรุป

ตัวอย่างโค้ดในภาษา Java

สำหรับการเขียน Decision Tree ด้วยภาษา Java นั้น เราสามารถใช้ไลบรารีอย่าง `weka` หรือ `java-ml` ในการช่วยสร้างและทำนายข้อมูล แต่เพื่อความเข้าใจง่าย เราจะสร้าง Decision Tree ที่ง่ายกันด้วยตัวอย่างโค้ดดังต่อไปนี้:

ตัวอย่างที่ 1: Simple Decision Tree

 class DecisionNode {
    String question;
    DecisionNode yesBranch;
    DecisionNode noBranch;

    public DecisionNode(String q, DecisionNode yes, DecisionNode no) {
        question = q;
        yesBranch = yes;
        noBranch = no;
    }

    static void printDecisionTree(DecisionNode node, String indent) {
        if (node == null) {
            System.out.println("ไม่มีข้อมูล");
            return;
        }
        System.out.println(indent + node.question);
        printDecisionTree(node.yesBranch, indent + "  ");
        printDecisionTree(node.noBranch, indent + "  ");
    }
}

public class SimpleDecisionTreeExample {
    public static void main(String[] args) {
        // สร้าง Decision Tree
        DecisionNode root = new DecisionNode("คุณมีประสบการณ์เขียนโปรแกรมหรือไม่?",
            new DecisionNode("คุณควรลงทะเบียนเรียนขั้นสูงที่ EPT.", null, null),
            new DecisionNode("คุณควรเริ่มจากหลักสูตรพื้นฐานที่ EPT.", null, null)
        );

        // พิมพ์ Decision Tree
        DecisionNode.printDecisionTree(root, "");
    }
}

จากตัวอย่างนี้, เราสร้าง Decision Node ที่ถามว่าผู้ใช้มีประสบการณ์เขียนโปรแกรมหรือไม่ หากตอบว่าใช่ (`yesBranch`), โปรแกรมจะแนะนำให้เข้าร่วมระดับขั้นสูงที่ EPT ในทางตรงกันข้ามถ้าหากตอบว่าไม่ (`noBranch`), จะเริ่มจากหลักสูตรพื้นฐาน

ตัวอย่างที่ 2: Decision Tree with User Input

เพื่อให้ตัวอย่างการประยุกต์ใช้งานได้อิสระมากขึ้น, เราสามารถรับข้อมูลจากผู้ใช้และนำไปใช้ในการตัดสินใจได้ดังนี้:

 import java.util.Scanner;

class DecisionTree {
    // ... (ประกาศคลาส DecisionNode และเมธอดที่จำเป็น)

    DecisionNode getUserInputAndDecide(DecisionNode node) {
        Scanner scanner = new Scanner(System.in);
        while (node != null) {
            System.out.println(node.question);
            String answer = scanner.nextLine();
            if (answer.equalsIgnoreCase("ใช่")) {
                node = node.yesBranch;
            } else {
                node = node.noBranch;
            }
        }
        scanner.close();
        return node;
    }

    public static void main(String[] args) {
        // ... (สร้าง Decision Tree ตามตัวอย่างที่ 1)

        DecisionTree decisionTree = new DecisionTree();
        DecisionNode result = decisionTree.getUserInputAndDecide(root);
        System.out.println("ข้อเสนอแนะ: " + result.question);
    }
}

ตัวอย่างที่ 3: Predictive Decision Tree

ในตัวอย่างนี้ เราจะสร้าง Decision Tree ที่ทำหน้าที่คาดการณ์ว่าความเร็วลมจะมีผลทำให้ต้นไม้ที่สวนพลิกคว่ำหรือไม่:

 class WindPredictionNode {
    Double windSpeed;
    WindPredictionNode lightBranch;
    WindPredictionNode heavyBranch;

    public WindPredictionNode(Double ws, WindPredictionNode light, WindPredictionNode heavy) {
        windSpeed = ws;
        lightBranch = light;
        heavyBranch = heavy;
    }

    static String predictWindEffect(WindPredictionNode node, Double currentWindSpeed) {
        if (node == null) {
            return "ข้อมูลไม่พอทำนาย";
        }
        if (currentWindSpeed <= node.windSpeed) {
            if (node.lightBranch != null) {
                return predictWindEffect(node.lightBranch, currentWindSpeed);
            }
            return "ต้นไม้ยังคงอยู่";
        } else {
            if (node.heavyBranch != null) {
                return predictWindEffect(node.heavyBranch, currentWindSpeed);
            }
            return "ต้นไม้อาจพลิกคว่ำ";
        }
    }

    public static void main(String[] args) {
        WindPredictionNode root = new WindPredictionNode(20.0,
            new WindPredictionNode(10.0, null, null),
            new WindPredictionNode(30.0, null, null)
        );

        System.out.println(WindPredictionNode.predictWindEffect(root, 15.0));
        System.out.println(WindPredictionNode.predictWindEffect(root, 25.0));
    }
}

จากตัวอย่างนี้โค้ดจะตรวจสอบว่าความเร็วลมนั้นมีศักยภาพพอที่จะทำให้ต้นไม้พลิกคว่ำหรือไม่ โดยใช้ข้อมูลความเร็วลมเป็นพารามิเตอร์

Usecase ในโลกจริง

Decision Tree ได้รับการประยุกต์ใช้อย่างแพร่หลายในหลากหลายด้าน เช่น:

หากคุณปรารถนาที่จะเรียนรู้ในการใช้งาน Decision Tree และอัลกอริธึม Machine Learning อื่นๆ อย่างลึกซึ้ง, Expert-Programming-Tutor (EPT) ยินดีต้อนรับคุณเข้าสู่หลักสูตรการเขียนโปรแกรมที่ครอบคลุม รวมถึงบทเรียนและโปรเจกต์จริงที่จะนำคุณเข้าสู่โลกของการเขียนโปรแกรมอย่างมืออาชีพและเตรียมพร้อมสำหรับอนาคตที่ก้าวร้าวในวงการ tech อุตสาหกรรม.

หมายเหตุ: ข้อมูลในบทความนี้อาจจะผิด โปรดตรวจสอบความถูกต้องของบทความอีกครั้งหนึ่ง บทความนี้ไม่สามารถนำไปใช้อ้างอิงใด ๆ ได้ ทาง EPT ไม่ขอยืนยันความถูกต้อง และไม่ขอรับผิดชอบต่อความเสียหายใดที่เกิดจากบทความชุดนี้ทั้งทางทรัพย์สิน ร่างกาย หรือจิตใจของผู้อ่านและผู้เกี่ยวข้อง