Machine Learning Applications on Agricultural Datasets for Smart Farm Enhancement

Figure 2.
Two consecutive steps of the K-nearest neighbors (KNN) algorithm (K = 3) in a bi-dimensional
feature space; (
a
): a blue item has ambiguous clustering, (
b
) the green cluster is assigned to it according
to its number and proximity.
A decision tree (or DT or D-tree) is a machine learning classifier based on the data structure of the
tree that can be used for supervised learning with a predictive modeling approach; each internal node
(split) is labeled with an input feature, while the arcs that link a node to many others (children) are
labeled with a condition on the input feature that determines the descending path that leads from the
root node to the leaves (nodes without children).
Considering the simplest binary tree (Figure
3
), a node can have almost two children; each leaf is
labeled with a class name in a discrete set of values or with a probability distribution over the classes
that predict the value of the target variable.
In this way, the decision tree classifier results are characterized by the following:
•
nodes (root/parent/child/leaf/split) and arcs (descending, directed)
•
no-cycles between nodes
•
feature vector
v
∈
R
n
•
split function
f
n
(
v
):
R
n
→
R
•
thresholds
T
n
∈
R
n
•
set of classes (labels)
C
•
classifications
P
n
(
c
), where
c
is a class label.
Machines 
2018
, 
6
, x FOR PEER REVIEW
9 of 22 
(
a
) (
b
) 
Figure 2.
Two consecutive steps of the K-nearest neighbors (KNN) algorithm (K = 3) in a
bi-dimensional feature space; (