Cập nhật nội dung chi tiết về Cây Quyết Định (Decision Tree) mới nhất trên website Techcombanktower.com. Hy vọng thông tin trong bài viết sẽ đáp ứng được nhu cầu ngoài mong đợi của bạn, chúng tôi sẽ làm việc thường xuyên để cập nhật nội dung mới nhằm giúp bạn nhận được thông tin nhanh chóng và chính xác nhất.
Bạn có biết rằng trong cuộc sống hàng ngày, bạn vẫn đang sử dụng phương pháp Decision Tree (Cây quyết định). Chẳng hạn, bạn đến siêu thị mua sữa cho cả gia đình. Câu đầu tiên trong đầu bạn sẽ là: Bạn cần mua bao nhiêu sữa?
Bạn sẽ xác định: Nếu là ngày thường thì gia đình bạn sẽ sử dụng hết 1 lít sữa, còn cuối tuần thì sẽ là 1,5 lít. Như vậy, dựa theo ngày, bạn sẽ quyết định lượng thực phẩm cần mua cho gia đình bạn.
Đó chính là một dạng của cây quyết định nhị phân.
Khái niệm Cây quyết định (Decision Tree)
Cây quyết định ( Decision Tree) là một cây phân cấp có cấu trúc được dùng để phân lớp các đối tượng dựa vào dãy các luật. Các thuộc tính của đối tượngncó thể thuộc các kiểu dữ liệu khác nhau như Nhị phân (Binary) , Định danh (Nominal), Thứ tự (Ordinal), Số lượng (Quantitative) trong khi đó thuộc tính phân lớp phải có kiểu dữ liệu là Binary hoặc Ordinal.
Tóm lại, cho dữ liệu về các đối tượng gồm các thuộc tính cùng với lớp (classes) của nó, cây quyết định sẽ sinh ra các luật để dự đoán lớp của các dữ liệu chưa biết.
Ta hãy xét một ví dụ 1 kinh điển khác về cây quyết định. Giả sử dựa theo thời tiết mà các bạn nam sẽ quyết định đi đá bóng hay không?
Những đặc điểm ban đầu là:
Dựa vào những thông tin trên, bạn có thể xây dựng được mô hình như sau:
Dựa theo mô hình trên, ta thấy:
Nếu trời nắng, độ ẩm bình thường thì khả năng các bạn nam đi chơi bóng sẽ cao. Còn nếu trời nắng, độ ẩm cao thì khả năng các bạn nam sẽ không đi chơi bóng.
Thuật toán Cây quyết định (Decision Tree)
Thuật toán ID3
ID3 (J. R. Quinlan 1993) sử dụng phương pháp tham lam tìm kiếm từ trên xuống thông qua không gian của các nhánh có thể không có backtracking. ID3 sử dụng Entropy và Information Gain để xây dựng một cây quyết định.
Ta xét ví dụ 2:
Bạn muốn xem xét sự thành công của một bộ phim thông qua hai yếu tố: diễn viên chính của phim và thể loại phim:
Giả sử, bạn muốn xác định độ thành công của bộ phim chỉ trên 1 yếu tố, bạn sẽ có hai cách thực hiện sau: qua diễn viên chính của phim và qua thể loại phim.
Qua sơ đồ, ta có thể thấy rõ ràng ràng, với phương pháp thứ nhất, ta phân loại được rõ ràng, trong khi phương pháp thứ hai, ta có một kết quả lộn xộn hơn. Và tương tự, cây quyết định sẽ thực hiện như trên khi thực hiện việc chọn các biến.
trong Cây quyết định (Decision Tree)
Entropy là thuật ngữ thuộc Nhiệt động lực học, là thước đo của sự biến đổi, hỗn loạn hoặc ngẫu nhiên. Năm 1948, Shannon đã mở rộng khái niệm Entropy sang lĩnh vực nghiên cứu, thống kê với công thức như sau:
Với một phân phối xác suất của một biến rời rạc x có thể nhận n giá trị khác nhau x 1,x 2,…,x n.
Giả sử rằng xác suất để x nhận các giá trị này là p i=p(x=x i).
Ký hiệu phân phối này là p=(p 1 ,p 2 ,…,p n). Entropy của phân phối này được định nghĩa là:
Giả sử bạn tung một đồng xu, entropy sẽ được tính như sau:
H = -[0.5 ln(0.5) + 0.5 ln(0.5)]
Hình vẽ trên biểu diễn sự thay đổi của hàm entropy. Ta có thể thấy rằng, entropy đạt tối đa khi xác suất xảy ra của hai lớp bằng nhau.
Information Gain trong Cây quyết định (Decision Tree)
Information Gain dựa trên sự giảm của hàm Entropy khi tập dữ liệu được phân chia trên một thuộc tính. Để xây dựng một cây quyết định, ta phải tìm tất cả thuộc tính trả về Infomation gain cao nhất.
Để xác định các nút trong mô hình cây quyết định, ta thực hiện tính Infomation Gain tại mỗi nút theo trình tự sau:
* Bước 1: Tính toán hệ số Entropy của biến mục tiêu S có N phần tử với N c phần tử thuộc lớp c cho trước:
* Bước 2: Tính hàm số Entropy tại mỗi thuộc tính: với thuộc tính x, các điểm dữ liệu trong S được chia ra K child node S 1, S 2, …, S K với số điểm trong mỗi child node lần lượt là m 1, m 2 ,…, m K , ta có:
Bước 3: Chỉ số Gain Information được tính bằng:
G(x, S) = H(S) – H(x,S)
Với ví dụ 2 trên, ta tính được hệ số Entropy như sau:
EntropyParent = -(0.57*ln(0.57) + 0.43*ln(0.43)) = 0.68
Hệ số Entropy theo phương pháp chia thứ nhất:
Entropyleft = -(.75*ln(0.75) + 0.25*ln(0.25)) = 0.56Entropyright = -(.33*ln(0.33) + 0.67*ln(0.67)) = 0.63
Ta có thể tính hệ số Information Gain như sau:
Information Gain = 0.68 – (4*0.56 + 3*0.63)/7 = 0.09
Hệ số Entropy với phương pháp chia thứ hai như sau:
Hệ số Information Gain:
Information Gain = 0.68 – (3*0.63 + 2*0.69 + 2*0.69)/7 = 0.02
So sánh kết quả, ta thấy nếu chia theo phương pháp 1 thì ta được giá trị hệ số Information Gain lớn hơn gấp 4 lần so với phương pháp 2. Như vậy, giá trị thông tin ta thu được theo phương pháp 1 cũng nhiều hơn phương pháp 2.
Thuật toán C4.5
Thuật toán C4.5 là thuật toán cải tiến của ID3.
Trong thuật toán ID3, Information Gain được sử dụng làm độ đo. Tuy nhiên, phương pháp này lại ưu tiên những thuộc tính có số lượng lớn các giá trị mà ít xét tới những giá trị nhỏ hơn. Do vậy, để khắc phục nhược điểm trên, ta sử dụng độ đo Gain Ratio (trong thuật toán C4.5) như sau:
Đầu tiên, ta chuẩn hoá information gain với trị thông tin phân tách (split information):
Trong đó: Split Info được tính như sau:
Giả sử chúng ta phân chia biến thành n nút cón và Di đại diện cho số lượng bản ghi thuộc nút đó. Do đó, hệ số Gain Ratio sẽ xem xét được xu hướng phân phối khi chia cây.
Áp dụng cho ví dụ trên và với cách chia thứ nhất, ta có
Split Info = – ((4/7)*log2(4/7)) – ((3/7)*log2(3/7)) = 0.98 Gain Ratio = 0.09/0.98 = 0.092
Tiêu chuẩn dừng
Trong các thuật toán Decision tree, với phương pháp chia trên, ta sẽ chia mãi các node nếu nó chưa tinh khiết. Như vậy, ta sẽ thu được một tree mà mọi điểm trong tập huấn luyện đều được dự đoán đúng (giả sử rằng không có hai input giống nhau nào cho output khác nhau). Khi đó, cây có thể sẽ rất phức tạp (nhiều node) với nhiều leaf node chỉ có một vài điểm dữ liệu. Như vậy, nhiều khả năng overfitting sẽ xảy ra.
Để tránh trường họp này, ta có thể dừng cây theo một số phương pháp sau đây:
nếu node đó có entropy bằng 0, tức mọi điểm trong node đều thuộc một class.
nếu node đó có số phần tử nhỏ hơn một ngưỡng nào đó. Trong trường hợp này, ta chấp nhận có một số điểm bị phân lớp sai để tránh overfitting. Class cho leaf node này có thể được xác định dựa trên class chiếm đa số trong node.
nếu khoảng cách từ node đó đến root node đạt tới một giá trị nào đó. Việc hạn chế chiều sâu của tree này làm giảm độ phức tạp của tree và phần nào giúp tránh overfitting.
nếu tổng số leaf node vượt quá một ngưỡng nào đó.
nếu việc phân chia node đó không làm giảm entropy quá nhiều (information gain nhỏ hơn một ngưỡng nào đó).
Ngoài ra, ta còn có phương pháp cắt tỉa cây.
Một số thuật toán khác
Ngoài ID3, C4.5, ta còn một số thuật toán khác như:
Thuật toán CHAID: tạo cây quyết định bằng cách sử dụng thống kê chi-square để xác định các phân tách tối ưu. Các biến mục tiêu đầu vào có thể là số (liên tục) hoặc phân loại.
Thuật toán C&R: sử dụng phân vùng đệ quy để chia cây. Tham biến mục tiêu có thể dạng số hoặc phân loại.
MARS
Conditional Inference Trees
Ưu/nhược điểm của thuật toán cây quyết định
Ưu điểm
Cây quyết định là một thuật toán đơn giản và phổ biến. Thuật toán này được sử dụng rộng rãi bới những lợi ích của nó:
Mô hình sinh ra các quy tắc dễ hiểu cho người đọc, tạo ra bộ luật với mỗi nhánh lá là một luật của cây.
Dữ liệu đầu vào có thể là là dữ liệu missing, không cần chuẩn hóa hoặc tạo biến giả
Có thể làm việc với cả dữ liệu số và dữ liệu phân loại
Có thể xác thực mô hình bằng cách sử dụng các kiểm tra thống kê
Có khả năng là việc với dữ liệu lớn
Nhược điểm
Kèm với đó, cây quyết định cũng có những nhược điểm cụ thể:
Mô hình cây quyết định phụ thuộc rất lớn vào dữ liệu của bạn. Thạm chí, với một sự thay đổi nhỏ trong bộ dữ liệu, cấu trúc mô hình cây quyết định có thể thay đổi hoàn toàn.
Cây quyết định hay gặp vấn đề overfitting
Cài đặt cây quyết định với sklearn
Hãy theo dõi https://trituenhantao.io/ để có thêm những bài viết hay mới.
Phản hồi hoàn thiện nội dung
Bài Giảng Cây Quyết Định Và Lý Thuyết Dụng Ích
Chương 3 Cây quyết định và lý thuyết dụng ích Mục tiêu Sau khi học xong chương này, sinh viên có thể: Xây dựng được cây quyết định một cách chính xác và hữu dụng Ôn lại việc ước lượng xác suất bằng cách sử dụng phân tích Bayes Hiểu được tầm quan trọng và biết cách sử dụng lý thuyết dụng ích trong việc ra quyết định Sử dụng máy tính để giải quyết các vấn đề gai góc của việc ra quyết định. Tóm tắt chương 4.1 Giới thiệu 4.2 Cây quyết định 4.3 Các giá trị xác suất được ước lượng thông qua phân tích Bayes như thế nào? 4.4 Lý thuyết dụng ích 4.5 Phân tích độ nhạy Giới thiệu Cây quyết định cho phép tiếp cận đến các quyết định: có nhiều phương án và nhiều trạng thái tự nhiên Phải được thực hiện theo trình tự Cây quyết định Là một cách thể hiện bằng hình vẽ trong đó: Là nút quyết định, từ đó một trong nhiều phương án được chọn Là nút chỉ trạng thái tự nhiên, tại đó một trạng thái tự nhiên (biến cố) nào đó sẽ xảy ra. Cây quyết định của cty Thompson Năm bước trong phân tích cây quyết định Xác định vấn đề Vẽ cây quyết định Tính toán các xác suất của các trạng thái tự nhiên (biến cố) Ước lượng payoffs cho mỗi kết hợp giữa phương án và trạng thái tự nhiên Giải quyết vấn đề bằng cách tính toán giá trị tiền tệ kỳ vọng (EMV) cho mỗi nút trạng thái tự nhiên. Cây quyết định của cty Thompson Phân tích cây quyết định cho dự án R&D Cây quyết định của cty Thompson Giá trị kỳ vọng của thông tin mẫu Giá trị kỳ vọng của quyết định tốt nhất với điều kiện có thông tin mẫu nhưng trong giả định không có chi phí thu thập Giá trị kỳ vọng của quyết định tốt nhất trong điều kiện không có thông tin mẫu EVSI = Ước lượng giá trị xác suất bằng phân tích Bayes Kinh nghiệm quản trị hoặc cảm quan Quá khứ Dữ liệu hiện có Cần tính lại xác suất dựa trên dữ liệu mới Bảng xác suất Bảng xác suất Bảng xác suất Lý thuyết dụng ích Đánh giá dụng ích (hữu dụng) Mức độ hữu dụng xấu nhất là: 0; và mức độ hữu dụng tốt nhất là 1. Một ví dụ về chơi xổ số được sử dụng để tính các giá trị hữu dụng. Khi bạn bàng quan (indifferent), thì các giá trị dụng ích bằng nhau. Ví dụ Ví dụ Đường dụng ích của Jane Mức độ thích rủi ro MarkSimkin đứng trước quyết định Đường dụng ích của Mark Simkin Sử dụng mức dụng íchkỳ vọng để ra quyết định Đinh ngửa (0.45) Đinh xấp (0.55) 0.30 0.05 0.15 P.Á 1 Theo cuộc chơi P.A 2 Không tham gia Mức dụng ích Tính độ nhạy của ví dụ cty Thompson Lumber Cho EMV(nút 1) bằng EMV của phương án không thực hiện khảo sát thị trường, ta có $104,000 $37,600 or $37,600 $104,000 $40,000 $2,400 $104,000 = 0.36 = = = + p p p
Kỹ Năng Giải Quyết Vấn Đề Và Ra Quyết Định
Quy trình giải quyết vấn đề (tạm chia làm 8 bước):
1. Nhận ra vấn đề
Trước khi bạn cố tìm hướng giải quyết vấn đề, bạn nên xem xét kỹ đó có thật sự là vấn đề đúng nghĩa hay không, bằng cách tự hỏi: chuyện gì sẽ xảy ra nếu…?; hoặc: giả sử như việc này không thực hiện được thì…? Bạn không nên lãng phí thời gian và sức lực vào giải quyết nếu nó có khả năng tự biến mất hoặc không quan trọng. Để nhận ra vấn đề, bạn phải có một bản kế hoạch và luôn bám sát theo nó. Hãy nhờ một người bạn tin tưởng làm cố vấn giúp bạn nhận ra vấn đề. Bởi không phải lúc nào bạn cũng nhìn thấy từ góc nhìn của mình.
2. Xác định chủ sở hữu của vấn đề
Không phải tất cả các vấn đề có ảnh hưởng đến bạn đều do chính bạn giải quyết. Nếu bạn không có quyền hạn hay năng lực để giải quyết nó, cách tốt nhất là chuyển vấn đề đó sang cho người nào có thể giải quyết.
Có một câu nói nửa đùa nửa thật nhưng cũng đáng để bạn lưu ý: “Nhiệt tình cộng với thiếu hiểu biết đôi khi thành phá hoại”.
3. Nhìn nhận và phân tích để hiểu vấn đề
Ở đây ta cần xác định được những thông tin của công việc bằng cách đặt ra những câu hỏi.
– Tính chất của công việc (khẩn cấp, quan trọng)? – Yêu cầu chỉ thị của cấp trên là gì? – Nguồn lực để thực hiện công việc? – Công việc này có thuộc quyền giải quyết của mình hay không? – Bản chất của công việc là gì? – Những đòi hỏi của công việc? – Mức độ khó – dễ của công việc?
4. Đề ra mục tiêu
Đặt ra mục tiêu sẽ giúp ta đi đúng hướng trong việc giải quyết vấn đề. Câu hỏi ở đây sẽ là: “Tôi đang cố gắng đạt được điều gì?”.
5. Đánh giá giải pháp
Sau khi đã tìm hiểu được cội rễ của vấn đề, bạn sẽ đưa ra được rất nhiều giải pháp để lựa chọn. Câu hỏi ở đây sẽ là:
– Trên cơ sở những thông tin có được và mục tiêu cần đạt được, các giải pháp mà tôi có thể chọn lựa là gì?
6. Chọn lựa và xác định giải pháp
Yếu tố sáng tạo sẽ giúp bạn tìm được giải pháp đôi khi hơn cả mong đợi. Cần lưu ý là một giải pháp tối ưu phải đáp ứng được ba yếu tố: có tác dụng khắc phục giải quyết vấn đề dài lâu, có tính khả thi, và có tính hiệu quả.
Ở giai đoạn này, bạn cần thử nghiệm tính khả thi của từng giải pháp nhưng chỉ là thử trong đầu. Các câu hỏi ở đây như sau:
– Các giải pháp sẽ được thực hiện như thế nào? – Chúng sẽ thỏa mãn các mục tiêu của tôi đến mức độ nào? – Phí tổn (về tài chính, thời gian, công sức…) cho việc áp dụng mỗi giải pháp là bao nhiêu? – Giải pháp nào tốt hơn, giải pháp nào tốt nhất?
7. Thực hiện
Khi bạn tin rằng mình đã hiểu được vấn đề và biết cách giải quyết nó, bạn có thể bắt tay vào hành động.
8. Đánh giá kết quả
Sau khi đã đưa vào thực hiện một giải pháp, bạn cần kiểm tra xem cách giải quyết đó có tốt không và có đưa tới những ảnh hưởng không mong đợi nào không. Những bài học rút ra được ở khâu đánh giá này sẽ giúp bạn giảm được rất nhiều “calori chất xám” và nguồn lực ở những vấn đề khác lần sau.
Có thể bạn sẽ cảm thấy hơi rườm rà nếu làm theo các bước trên. Vạn sự khởi đầu nan. Lần đầu tiên áp dụng một kỹ năng mới bao giờ cũng đòi hỏi sự kiên nhẫn và quyết tâm của bạn. Nếu bạn thường xuyên rèn luyện, thì dần dần kỹ năng giải quyết vấn đề sẽ trở thành phản xạ vô điều kiện.
K: Sự hiểu biết – Kiến thức (Knowledge)
O: Mục tiêu (Objectives)
A: Phương án (Alternatives)
L: Đánh giá và lựa chọn (Look ahead)
A: Hành động (Action).
– Hãy nghĩ ra càng nhiều giải pháp càng tốt cho mọi vấn đề bạn đang gặp phải. Nhận phản hồi từ những người xung quanh có những quan điểm, suy nghĩ khác để có tầm nhìn rộng hơn và từ đó, chọn ra một giải pháp.
– Luyện tập, hình dung trước và giải quyết vấn đề trước khi chúng phát sinh. Ví như, trên đường đi làm, bỗng nhiên xe của bạn bị hỏng thì bạn sẽ làm gì. Bạn có thể nghĩ ra bao nhiêu giải pháp. Đâu là giải pháp tối ưu? Đâu là giải pháp mà có khả năng bạn lựa chọn. Khi làm xong bài tập này, bây giờ bạn có thể làm gì để có sự chuẩn bị tốt hơn trong trường hợp điều đó xảy ra.
– Mỗi ngày hãy nghĩ ra một số giải pháp cho một vấn đề tưởng tượng. Ví như, con bạn đột nhiên không thích đi học, con đường đi làm hôm nay bị cấm… Bạn sẽ giải quyết như thế nào.
– Luôn luôn nghĩ rằng, các vấn đề thường có hơn một giải pháp. Chúng ta càng có sẵn nhiều công cụ thì chúng ta sẽ ngày càng trở thành người giải quyết vấn đề giỏi hơn. Nghĩ ra những phương án giải quyết tốt hơn, thay vì xem chúng đúng hay sai.
– Tự thưởng cho mình khi bạn tìm ra được một giải pháp tuyệt vời cho vấn đề nào đó. Điều đó giúp bạn có thêm động lực để tìm ra các giải pháp cho các vấn đề tiếp theo.
(Theo Hoài Thu – Nguồn: Proguide.vn) Ban biên tập: Ecci Việt Nam
Các câu hỏi thường gặp trong kỹ năng giải quyết vấn đề
1/ Kỹ năng giải quyết vấn đề là gì ?
Kỹ năng giải quyết vấn đề là khả năng xử lý, giải quyết những tình huống phát sinh trong cuộc sống hằng ngày. Kỹ năng xử lý vấn đề bao gồm nhiều kỹ năng khác như kỹ năng giao tiếp, kỹ năng phân tích, khả năng sáng tạo, kỹ năng làm việc nhóm, đàm phán,…
2/ Tầm quan trọng của kỹ năng giải quyết vấn đề
Phương pháp giải quyết vấn đề giúp bạn giải quyết khó khăn một cách tốt nhất hoặc ít nhất thì cũng có thể giảm thiểu được các hậu quả mà vấn đề đó gây ra. Không những vậy, ngày nay một số công việc còn đòi hỏi bắt buộc bạn phải có kỹ năng giải quyết vấn đề.
3/ Quy trình giải quyết vấn đề
4/ Ví dụ về kỹ năng giải quyết vấn đề
Đừng nghĩ về những việc quá lớn lao, hãy chỉ nghĩ đến những việc xung quanh bạn hay gặp phải thường ngày. Chỉ cần nhiêu đó thôi thì bạn cũng có khá nhiều ví dụ để cho bản thân tập luyện và phát triển kỹ năng giải quyết vấn đề.
5
/
5
(
1
bình chọn
)
Drawing Sentence Syntax Trees – Amy Reynolds
Now that you’ve learned about X-bar structure and determining constituency, you should be able to draw syntax trees. However, there are all sorts of different types of phrases and ways that they can connect, and you have a sentence you need to draw a tree for. What to do!? This page is designed to help guide you through drawing syntactic trees.
We will walk through how to make trees for the following sentences:
Amy bakes pies.
Amy bakes pies in the summer.
Amy bakes pies for her friends.
Amy thinks that she will bake pies.
Step 1: The IP and CP phrases
As noted above, we automatically expect the head of the Inflection Phrase (IP) to contain the overall tense of the clause, denoted here by the (+/-) PAST feature. Other words that can appear in the head position of the IP include modal (e.g. could, should, would, might, etc.) auxiliaries. However, regardless of whether there is an actual word within the sentence, you should always show the complete IP structure, especially including I.
Step 2: Adding the Subject and Predicate
Step 3: Add other specifiers, complements and modifiers to the phrases
Now that we have the subject and predicate inserted into the structure, it is important to next consider what happens to the rest of the words and phrases left in the sentence. For instance, for the sentence Amy bakes pies, we have Amy and bakes covered, but how does pies attach to the sentence?
We would say that in the summer is a modifier of the VP. Why? Here, it is not adding additional information about the pies, instead, it is telling us when the baking is taking place. We specifically know that it must be a modifier rather than a complement, because the verb does not require that additional information about the baking — not like it requires the direct object pies. Since in the summer is a modifier of the VP, we add another higher up V’ node, so that it can be a sister to the lower V’. Hence, we get the following structure:
Now if we changed the sentence to Amy bakes pies for her friends, should the PP for her friends be in the same location? There are two possibilities here: either Amy is baking for her friends, and what she is baking is pies; or there are pies for her friends that Amy is baking. In the first instance, it is the action (baking), that is being modified, and for her friends in that instance would be a modifier of the VP, as in the summer was in the structure above. In the second instance, the object that Amy is baking is pies for her friends. If that were the case, for her friends would not be a modifier of the VP and instead would be a modifier of the NP, as shown in the structure below:
The slight differences in meaning between the two possible structures of the same sentence can be captured if we think about corresponding questions that could be asked. If you asked What does Amy bake for her friends? (where the PP is modifying the VP), an appropriate answer could be Pies, not cupcakes, where you are answering simply with nouns, no additional phrases added (because nothing else is branching from that NP). On the other hand, if you asked What does Amy bake? for this sentence, an appropriate answer could be Pies for her friends, not cupcakes for her family, which shows that the prepositional phrases are acting as modifiers distinguishing who the objects in question are for, not who she is baking for. In that instance, the PP would be a modifier of the NP, not the VP.
Step 4: Add CPs if there are any
Within your sentence, there may be multiple clauses. If that is the case, then you can expect a Complementizer Phrase to show up. The basic structure for a CP that occurs lower in the sentences’ tree is exactly like that CP that contains the entire sentence, described above. There are two types of CPs that can occur within a larger CP phrase: CPs for complement clauses, and CPs for relative clauses. Depending on the CP type, it will attach to the larger sentence in different ways. Because CPs for relative clauses show movement, they will be covered in the Drawing Question Syntax Trees. For now, we are going to cover the CPs that are complement clauses. How these in particular attach to the larger tree should be easy to remember: the CP for a complement clause should always occur as a complement to the phrase it is attaching to. Let’s consider the sentence Amy thinks that she will bake her pies. We already know the basic structure for Amy thinks. What about that she will bake her pies? This is what we call a complement clause, which contains a ‘mini-sentence’ of sorts — this same clause could stand alone as the sentence She will bake her pies.
Notice that the structure of that she will bake her pies is exactly like that of what we would make for the sentence she will bake her pies, except that the word that introduces the complement clause (that) occupies the head position of the CP. Overall, the entire CP attaches as a complement to the VP contained within the higher CP. In fact, it may be handy to remember that in English, at least, a complement clause will always attach to a VP as a complement — complement clauses do not attach to NPs.
Now that you understand how to draw syntax trees for sentences, you are ready to learn how to draw trees for questions, as well.
Bạn đang đọc nội dung bài viết Cây Quyết Định (Decision Tree) trên website Techcombanktower.com. Hy vọng một phần nào đó những thông tin mà chúng tôi đã cung cấp là rất hữu ích với bạn. Nếu nội dung bài viết hay, ý nghĩa bạn hãy chia sẻ với bạn bè của mình và luôn theo dõi, ủng hộ chúng tôi để cập nhật những thông tin mới nhất. Chúc bạn một ngày tốt lành!