💻 computer science

Ternary Decision Trees with Locally-Adaptive Uncertainty Zones

यह शोध पत्र टर्नरी डिसीजन ट्रीज़ (ternary decision trees) का परिचय देता है जो स्प्लिट नोड्स पर स्थानीय रूप से अनुकूलन योग्य अनिश्चितता क्षेत्रों (locally-adaptive uncertainty zones) को जोड़कर मानक CART को उन्नत करते हैं, जहाँ अस्पष्ट उदाहरणों के लिए चाइल्ड प्रेडिक्शन का एक भारित मिश्रण (weighted blend) उपयोग किया जाता है, जो यह प्रदर्शित करता है कि यह दृष्टिकोण बाहरी हाइपरपैरामीटर्स की आवश्यकता के बिना कार्रवाई योग्य अनिश्चितता फ्लैग प्रदान करते हुए विविध डेटासेट में निर्णय सटीकता (decided accuracy) में महत्वपूर्ण सुधार करता है।

मूल लेखक: William Smits

प्रकाशित 2026-05-22

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: William Smits

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक अदालत में अध्यक्षता कर रहे न्यायाधीश हैं। एक मानक निर्णय वृक्ष (decision tree) में (जिसका उपयोग आमतौर पर कंप्यूटर करते हैं), हर मामले को दो बक्सों में से किसी एक में डाला जाता है: दोषी या निर्दोष।

एक न्यायाधीश यह निर्णय एक एकल, कठोर रेखा के आधार पर लेता है। उदाहरण के लिए, "यदि गति 60 मील प्रति घंटा से अधिक है, तो आप दोषी हैं।"

यदि आप 61 मील प्रति घंटा की गति से चल रहे थे, तो आप दोषी हैं।
यदि आप 100 मील प्रति घंटा की गति से चल रहे थे, तो भी आप दोषी हैं।

मानक न्यायाधीश के लिए, ये दोनों मामले बिल्कुल एक जैसे लगते हैं। लेकिन वास्तव में, 61 मील प्रति घंटा की गति वाला व्यक्ति कानून की बिल्कुल सीमा पर है। शायद स्पीडोमीटर थोड़ा गलत था, या सड़क की स्थितियाँ कठिन थीं। हालाँकि, जो व्यक्ति 100 मील प्रति घंटा की गति से चल रहा है, वह स्पष्ट रूप से और पूरी तरह से दोषी है। मानक निर्णय वृक्ष दोनों मामलों के साथ समान आत्मविश्वास के साथ व्यवहार करते हैं, जो जोखिम भरा हो सकता है।

नया विचार: "ग्रे ज़ोन" (धुंधला क्षेत्र) न्यायाधीश

यह शोध पत्र एक नए प्रकार के न्यायाधीश को पेश करता है जिसे टेरनरी डिसीजन ट्री (Ternary Decision Tree) कहा जाता है। केवल दो विकल्पों के बजाय, इस न्यायाधीश के पास एक तीसरा विकल्प है: एक "ग्रे ज़ोन" (या अनिश्चितता क्षेत्र)।

यह इस प्रकार काम करता है:

स्पष्ट मामले: यदि आप 100 मील प्रति घंटा की गति से चल रहे हैं, तो न्यायाधीश कहता है, "दोषी!" (आत्मविश्वासी)। यदि आप 40 मील प्रति घंटा की गति से चल रहे हैं, तो न्यायाधीश कहता है, "निर्दोष!" (आत्मविश्वासी)।
ग्रे ज़ोन: यदि आप 61 मील प्रति घंटा की गति से चल रहे हैं (बस सीमा से थोड़ा ऊपर), तो न्यायाधीश एक एकल निर्णय देने के लिए मजबूर नहीं करता है। इसके बजाय, वे कहते हैं, "अनिश्चित।"

जब कोई मामला "अनिश्चित" क्षेत्र में आता है, तो न्यायाधीश मामले को खारिज नहीं करता है। वे अभी भी आपको एक भविष्यवाणी देते हैं, लेकिन यह एक मिश्रित (blended) भविष्यवाणी होती है। कल्पना कीजिए कि न्यायाधीश दो अन्य विशेषज्ञों से पूछ रहे हैं (जिनमें से एक "दोषी" की ओर झुकता है और दूसरा "निर्दोष" की ओर) कि वे इस पर क्या राय रखते हैं। वे अपना अंतिम उत्तर देने के लिए उनकी राय को आपस में मिला देते हैं, लेकिन वे आपकी फाइल पर एक बड़ा स्टिकर भी लगा देते हैं जिस पर लिखा होता है: "सावधान: यह एक करीबी मामला था।"

न्यायाधीश को यह कैसे पता चलता है कि 'ग्रे लाइन' कहाँ खींचनी है?

जटिल हिस्सा यह तय करना है कि यह "ग्रे ज़ोन" कितना चौड़ा होना चाहिए। क्या यह 1 मील प्रति घंटा चौड़ा होना चाहिए? 5 मील प्रति घंटा चौड़ा?

पिछले तरीकों के लिए न्यायाधीश को एक मैनुअल या सेंसर की आवश्यकता होती थी जो उसे ठीक से बता सके कि स्पीडोमीटर में कितनी त्रुटि थी। लेकिन यह शोध पत्र कहता है: "हमें अतिरिक्त उपकरणों की आवश्यकता नहीं है। हम इसे कमरे में मौजूद साक्ष्यों को देखकर ही समझ सकते हैं।"

लेखकों ने पाँच अलग-अलग तरीके विकसित किए जिनसे न्यायाधीश वर्तमान मामले के डेटा का उपयोग करके इस "ग्रे ज़ोन" के आकार की गणना कर सकता है:

"फ्लैट टॉप" विधि (क्वालिटी प्लेटो): यदि साक्ष्य कई अलग-अलग स्पीड लिमिट के लिए लगभग समान रूप से अच्छे हैं, तो न्यायाधीश जानता है कि रेखा धुंधली है और वह ग्रे ज़ोन को और चौड़ा कर देता है।
"क्राउडेड रूम" विधि (क्लास ओवरलैप): यदि "दोषी" लोग और "निर्दोष" लोग अदालत में एक-दूसरे के बिल्कुल बगल में खड़े हैं, तो न्यायाधीश जानता है कि यह एक अव्यवस्थित क्षेत्र है और वह ग्रे ज़ोन को चौड़ा कर देता है।
"कॉन्फिडेंस स्कोर" विधि (गेन रेश्यो): यदि डेटा का विभाजन बहुत कमजोर है (साक्ष्य भ्रमित करने वाले हैं), तो न्यायाधीश ग्रे ज़ोन को चौड़ा कर देता है।
"रिप्ले" विधि (नोड बूटस्ट्रैप): न्यायाधीश कल्पना करता है कि वह गवाहों के थोड़े अलग समूहों के साथ मुकदमे को 10 या 20 बार फिर से चला रहा है। यदि हर बार फैसला बदल जाता है, तो न्यायाधीश जानता है कि रेखा अस्थिर है और वह ग्रे ज़ोन को बड़ा कर देता है।
"क्लोजेस्ट नेबर" विधि (मार्जिन): न्यायाधीश रेखा के विपरीत दिशाओं में खड़े दो लोगों को देखता है जो सबसे करीब हैं। यदि वे एक-दूसरे के बिल्कुल बगल में हैं, तो ग्रे ज़ोन छोटा है। यदि उनके बीच एक बड़ा अंतर है, तो ग्रे ज़ोन बड़ा है।

उन्हें क्या पता चला?

लेखकों ने इस नए "ग्रे ज़ोन" न्यायाधीश का परीक्षण 72 विभिन्न वास्तविक दुनिया के डेटासेट्स (जैसे मेडिकल रिकॉर्ड, वित्तीय डेटा और कृत्रिम पहेलियाँ) पर किया।

परिणाम: नए न्यायाधीश सही होने पर बहुत अधिक आत्मविश्वासी होने में बेहतर थे। "करीबी मामलों" (ग्रे ज़ोन के मामलों) को चिह्नित करके और उन्हें अलग तरह से उपचारित करके, सिस्टम उन मामलों पर अधिक सटीक हो गया जिन्हें उसने तय किया था।
विजेता: एक विधि, जिसे "मार्जिन" (वह "क्लोजेस्ट नेबर" विधि) कहा जाता है, सबसे अच्छा ऑल-राउंडर था। इसे किसी अतिरिक्त सेटिंग्स की आवश्यकता नहीं थी, यह तेज़ था, और इसने बहुत अच्छा काम किया। इसने लगभग 17% मामलों को "करीबी कॉल" के रूप में चिह्नित किया, लेकिन शेष 83% मामलों को मानक पेड़ों की तुलना में बहुत उच्च सटीकता के साथ तय किया गया।
मेडिकल उदाहरण: मैमोग्राम (ब्रेस्ट कैंसर स्क्रीनिंग) के एक डेटासेट पर, नई पद्धति ने लगभग 11% मामलों को "करीकी कॉल" के रूप में चिह्नित किया। इन विशिष्ट मामलों के लिए, सिस्टम ने दूसरी नज़र (second look) का सुझाव दिया। इसने सिस्टम को स्पष्ट मामलों पर अधिक सटीक होने में मदद की और साथ ही उन मामलों को उजागर किया जिन्हें अतिरिक्त ध्यान देने की आवश्यकता थी।

मुख्य निष्कर्ष

मानक निर्णय वृक्ष एक कठोर स्विच की तरह होते हैं: चालू या बंद।
यह शोध पत्र एक डिमर स्विच (dimmer switch) पेश करता है। यह कंप्यूटर को यह कहने की अनुमति देता है, "मैं काफी आश्वस्त हूँ, लेकिन मैं 100% निश्चित नहीं हूँ," कठिन मामलों के लिए।

इन "करीबी मामलों" को स्वचालित रूप से पहचानकर, यह सिस्टम डाउनस्ट्रीम अनुप्रयोगों (जैसे डॉक्टर या ऋण अधिकारी) को चेतावनी दे सकता है कि वे उन विशिष्ट मामलों पर विशेष ध्यान दें, बजाय इसके कि वे एक आत्मविश्वासी दिखने वाली लेकिन संभावित रूप से संदिग्ध भविष्यवाणी पर आँख मूंदकर भरोसा करें।

तकनीकी सारांश: स्थानीय रूप से अनुकूलन योग्य अनिश्चितता क्षेत्रों के साथ टर्नरी डिसीजन ट्री (Ternary Decision Trees)

समस्या विवरण

मानक निर्णय वृक्ष (decision trees), विशेष रूप से CART एल्गोरिदम पर आधारित, हार्ड बाइनरी थ्रेशोल्ड (binary thresholds) का उपयोग करके फीचर स्पेस को विभाजित करते हैं। यह तंत्र सीमा से दूरी की परवाह किए बिना सभी उदाहरणों को समान आत्मविश्वास प्रदान करता है। फलस्वरूप, एक उदाहरण जो इष्टतम थ्रेशोल्ड $\theta$ से बहुत दूर स्थित है, उसे उसी निश्चितता के साथ माना जाता है जैसे कि वह सीधे उस पर बैठा हो। यह "हार्ड कमिटमेंट" (hard commitment) एक ज्ञात कमजोरी पैदा करता है: यह उन उदाहरणों के लिए निश्चितता को बढ़ा-चढ़ाकर बताता है जो सीमाओं के पास स्थित होते हैं जहाँ सीखा गया स्प्लिट (split) सबसे कम विश्वसनीय होता है, जिससे यह संकेत देने में विफल रहता है कि भविष्यवाणियाँ संदिग्ध हो सकती हैं।

अनिश्चितता को संबोधित करने वाले मौजूदा दृष्टिकोण अक्सर बाहरी शोर विशिष्टताओं (जैसे ज्ञात सेंसर त्रुटियों) या डेटासेट-स्तर के सांख्यिकी से प्राप्त वैश्विक थ्रदेशोल्ड पर निर्भर करते हैं। ये विधियाँ प्रत्येक नोड पर विशिष्ट स्प्लिट गुणवत्ता या डेटा वितरण के अनुसार स्थानीय रूप से अनुकूलित नहीं होती हैं। इसके अतिरिक्त, फजी डिसीजन ट्री या सॉफ्ट डिसीजन ट्री जैसे दृष्टिकोण अक्सर स्थानीय स्प्लिट सांख्यिकी से प्राप्त स्पष्ट, व्याख्या योग्य अनिश्चितता क्षेत्र की कमी रखते हैं।

कार्यप्रणाली

यह शोध पत्र टर्नरी डिसीजन ट्री (Ternary Decision Trees) पेश करता है, जो मानक बाइनरी स्प्लिट्स के साथ इष्टतम थ्रेशोल्ड $\theta^*$ के केंद्र में आधे-चौड़ाई $\delta$ वाले स्थानीय रूप से अनुकूलन योग्य अनिश्चितता क्षेत्र को जोड़ता है।

टर्नरी मूल्यांकन (The Ternary Evaluation)

एक फीचर $x_f$ और थ्रेशोल्ड $\theta^*$ के लिए, निर्णय तर्क इस प्रकार परिभाषित है:

सत्य (निर्णायक/Decisive): $x_f > \theta^* + \delta$
असत्य (निर्णायक/Decisive): $x_f \leq \theta^* - \delta$
अनिश्चित (सीमा-अनिश्चित/Undec): $\theta^* - \delta < x_f \leq \theta^* + \delta$

Undec क्षेत्र में आने वाले उदाहरण भविष्यवाणी से बचते नहीं हैं। इसके बजाय, उन्हें दोनों चाइल्ड सब-ट्री के संभाव्यता आउटपुट के दूरी-भारित मिश्रण (distance-weighted blending) द्वारा निर्मित भविष्यवाणी प्राप्त होती है। महत्वपूर्ण रूप से, उन्हें "सीमा-अनिश्चित" (boundary-uncertain) के रूप में चिह्नित किया जाता है, जिससे डाउनस्ट्रीम सिस्टम को यह पता चलता है कि भविष्यवाणी संदिग्ध हो सकती है, जिससे वे क्लास प्रेडिक्शन को रोके बिना उन्हें अलग तरह से संभाल सकते हैं।

$\delta$ की स्थानीय गणना

मुख्य तकनीकी योगदान यह है कि $\delta$ को प्रत्येक नोड पर मानक CART स्प्लिट खोजने के दौरान पहले से ही गणना किए गए सांख्यिकी का उपयोग करके स्थानीय रूप से कैसे निकाला जाए, जिसमें किसी बाहरी शोर मॉडल की आवश्यकता नहीं है। शोध पत्र पाँच विधियों का प्रस्ताव और मूल्यांकन करता है:

क्वालिटी-प्लेटो ( $\delta_{QP}$ ): इष्टतम $\theta^*$ के आसपास स्प्लिट मानदंड वक्र (जैसे Gini gain) के "प्लेटो" की चौड़ाई को मापता है। एक विस्तृत प्लेटो यह दर्शाता है कि डेटा इष्टतम स्प्लिट स्थान को सटीक रूप से बाधित नहीं करता है।
क्लास-ओवरलैप ( $\delta_{CO}$ ): क्लास-कंडीशनल फीचर वितरण के ओवरलैप होने वाले क्षेत्र की चौड़ाई की गणना करता है, जो अनुभवजन्य पर्सेंटाइल (empirical percentiles) पर आधारित है।
गेन-रेशियो ( $\delta_{GR}$ ): गेन रेश्यो (स्प्लिट एंट्रॉपी के सापेक्ष इन्फॉर्मेशन गेन) के व्युत्क्रम के रूप में फीचर रेंज को स्केल करता है। कम गेन रेश्यो अस्पष्ट स्प्लिट्स का संकेत देते हैं, जिससे $\delta$ बड़ा हो जाता है।
नोड-बूटस्ट्रैप ( $\delta_{NB}$ ): नोड के प्रशिक्षण डेटा के बूटस्ट्रैप रिसेंपल्स के माध्यम से इष्टतम थ्रेशोल्ड $\theta^*$ की मानक विचलन (standard deviation) को मापता है। यह सीधे थ्रेशोल्ड अस्थिरता को मात्रात्मक रूप देता है।
मार्जिन ( $\delta_{M}$ ): सपोर्ट वेक्टर मशीनों (SVM) से प्रेरित, यह $\delta$ को $\theta^*$ से निकटतम क्रॉस-क्लास प्रशिक्षण उदाहरण (उस नोड पर "सपोर्ट वेक्टर") की दूरी के रूप में परिभाषित करता है। यदि स्प्लिट पूरी तरह से साफ है, तो यह आस-पास के डेटा बिंदुओं के बीच के भौतिक अंतर का उपयोग करता है।

रूटिंग आर्किटेक्चर (Routing Architectures)

अनिश्चित उदाहरणों को प्रसारित करने के लिए दो आर्किटेक्चर का मूल्यांकन किया गया:

प्रोबेबिलिस्टिक रूटिंग (Probabilistic Routing): ट्री संरचना बाइनरी रहती है। भविष्यवाणी के दौरान, अनिश्चितता क्षेत्र वाले उदाहरणों को थ्रेशोल्ड से उनकी दूरी के व्युत्क्रम के अनुपात में दोनों बच्चों (children) को रूट किया जाता है, और आउटपुट को मिश्रित किया जाता है।
हार्ड मिडिल ब्रांच (Hard Middle Branch): ट्री संरचना में एक तीसरा चाइल्ड नोड जोड़ा जाता है, जिसे विशेष रूप से अनिश्चितता क्षेत्र के भीतर के उदाहरणों पर प्रशिक्षित किया जाता है।
प्रायोगिक परिणामों ने संकेत दिया कि प्रोबेबिलिक रूटिंग आम तौर पर हार्ड-मिडल दृष्टिकोण से बेहतर प्रदर्शन करती है, क्योंकि दूसरा दृष्टिकोण अनिश्चित उदाहरणों को बाएं और दाएं शाखाओं के प्रशिक्षण सेटों से हटा देता है, जिससे उनकी गुणवत्ता कम हो जाती है।

मुख्य योगदान

फ्रेमवर्क: प्रत्येक स्प्लिट के लिए एक सिद्धांत आधारित, स्थानीय रूप से अनुकूलन योग्य अनिश्चितता क्षेत्र प्रदान करने वाले टर्नरी डिसीजन ट्री का परिचय।
पाँच अनुमान विधियाँ: केवल मानक CART स्प्लिट सांख्यिकी का उपयोग करके $\delta$ की गणना करने के लिए पाँच अलग-अलग विधियों का व्युत्पत्ति, जिससे बाहरी शोर मॉडल की आवश्यकता समाप्त हो जाती है।
रूटिंग मूल्यांकन: प्रोबेबिलिक बनाम हार्ड-मिडल रूटिंग का तुलनात्मक विश्लेषण, जो अधिकांश विधियों के लिए प्रोबेबिलिक ब्लेंडिंग की श्रेष्ठता को प्रदर्शित करता है।
व्यापक अनुभवजन्य मूल्यांकन: 72 OpenML-CC18 डेटासेट्स, तीन ब्रेमन सिंथेटिक बेंचमार्क (ज्ञात बेयस एरर के साथ), और चार उच्च-जोखिम वाले मेडिकल/फाइनेंशियल डेटासेट्स पर मूल्यांकन।
डायग्नोस्टिक फ्रेमवर्क: यह आकलन करने के लिए कि किसी विधि की फ्लैगिंग दर डेटासेट की सैद्धांतिक अपरिहार्य त्रुटि (irreducible error) के साथ कितनी अच्छी तरह मेल खाती है, अनडिसाइडेड/बेयस (Undecided/Bayes - U/B) अनुपात का परिचय।

परिणाम

व्यापक वैधता (OpenML-CC18)

72 डेटासेट्स में, प्रोबेबिलिक रूटिंग का उपयोग करने वाली सभी पाँच विधियों ने डिसाइडेड एक्यूरेसी (अनिश्चित उदाहरणों को छोड़कर शुद्ध सटीकता) पर मानक CART बेसलाइन की तुलना में काफी बेहतर प्रदर्शन किया ( $p \leq 0.001$ )।

मार्जिन विधि: इसने सर्वश्रेष्ठ दक्षता (प्रति यूनिट फ्लैगिंग रेट पर सटीकता लाभ, $\eta = 0.104$ ) प्राप्त की। इसने 72 में से 42 डेटासेट्स पर जीत हासिल की, केवल 16.7% उदाहरणों को अनिश्चित के रूप में चिह्नित किया, और इसके लिए शून्य अतिरिक्त हाइपरपैरामीटर की आवश्यकता थी।
क्लास-ओवरलैप और गेन-रेशियो: इन्होंने उच्च डिसाइडेड एक्यूरेसी प्राप्त की लेकिन बड़ी संख्या में उदाहरणों को चिह्नित किया (क्रमशः 71% और 58%), जिसके परिणामस्वरूप कम दक्षता मिली।
नोड-बूटस्ट्रैप: इसने अच्छा प्रदर्शन किया लेकिन यह कम्प्यूटेशनल रूप से महंगा था और $N > 20,000$ वाले डेटासेट्स से बाहर रखा गया था।

सैद्धांतिक विश्लेषण (Breiman Benchmarks)

ज्ञात बेयस एरर वाले सिंथेटिक डेटासेट्स पर:

मार्जिन: इसने ज्यामितीय रूप से साफ डेटा पर स्व-कैलिब्रेटिंग व्यवहार दिखाया, बहुत कम मामलों को अनिश्चित के रूपв रूप से चिह्नित किया (U/B अनुपात < 0.5), और स्पष्ट सीमा होने पर प्रभावी रूप से CART की तरह व्यवहार किया।
नोड-बूटस्ट्रैप और क्वालिटी-प्लेटो: इन्होंने आनुपातिक अंशांकन (proportional calibration) दिखाया, कठिन डेटासेट्स (उच्च बेयस एरर) पर अधिक उदाहरणों को चिह्नित किया, हालांकि सभी विधियों ने बेयस एरर के सापेक्ष ओवर-फ्लैगिंग की (U/B > 1)।
कैलिब्रेशन गैप: किसी भी विधि ने 1.0 का U/B अनुपात प्राप्त नहीं किया, जो यह दर्शाता है कि स्थानीय थ्रेशोल्ड अनिश्चितता सीधे वैश्विक बेयस एरर से मेल नहीं खाती है।

डोमेन अनुप्रयोग

मैमोग्राफी (Mammography): नोड-बूटस्ट्रैप ने 10.8% मामलों को अनिश्चित के रूप में चिह्नित किया जबकि CART की तुलना में डिसाइडेड एक्यूरेसी में 0.71% का सुधार किया। यह माध्यमिक समीक्षा की आवश्यकता वाले मामलों की पहचान करने के लिए मूल्यवान है।
डायबिटीज (Diabetes): नोड-बूटस्ट्रैप ने +9.8% सटीकता लाभ प्राप्त किया लेकिन 63.4% रोगियों को चिह्नित किया, जो सटीकता और फ्लैगिंग दर के बीच एक ट्रेड-ऑफ का सुझाव देता है। मार्जिन विधि ने अधिक रूढ़िवादी, व्यावहारिक ऑपरेटिंग पॉइंट (+0.4% लाभ, 9.5% फ्लैगिंग) प्रदान किया।
सीमाएँ: छोटे क्लीवलैंड हार्ट डिजीज डेटासेट ( $N=303$ ) पर, नोड-बूटस्ट्रैप अविश्वसनीय वेरिएंस अनुमानों के कारण खराब प्रदर्शन किया। जर्मन क्रेडिट डेटासेट पर, मार्जिन विधि बेसलाइन से कम रही, जो जटिल आर्थिक फीचर इंटरैक्शन के साथ सीमाओं का सुझाव देती है।

महत्व और दावे

शोध पत्र यह दावा करता है कि टर्नरी ट्री को अनिश्चितता-जागरूक वर्गीकरण के लिए एक सिद्धांत आधारित प्रिमिटिव (primitive) के रूप में स्थापित किया गया है। इसका महत्व यहाँ है:

व्यावहारिक उपयोगिता: भविष्यवाणी से केवल पीछे हटने के बजाय, अनिश्चितता वाले भविष्यवाणियों को फ्लैग करने के लिए एक तंत्र प्रदान करना, जिससे डाउनस्ट्रीम सिस्टम (जैसे मेडिकल स्क्रीनिंग, क्रेडिट अंडरराइटिंग) अलग-अलग हैंडलिंग रणनीतियाँ लागू कर सकें।
कम्प्यूटेशनल सुगमता: बाहरी डेटा या जटिल पुन: प्रशिक्षण की आवश्यकता के बिना मौजूदा स्प्लिट सांख्यिकी से अनिश्चितता क्षेत्रों को निकालना।
सैद्धांतिक आधार: एक ऐसा ढांचा प्रदान करना जहाँ "अनडिसाइडेड" निर्णय स्वयं भविष्यवाणी की अस्वीकृति के बजाय आत्मविश्वास पर एक क्वालीफायर है।

लेखक विनम्रतापूर्वक नोट करते हैं कि जबकि विधियाँ डिसाइडेड एक्यूरेसी में सुधार करती हैं, वे अभी तक फ्लैगिंग दर को सैद्धांतिक बेयस एरर के साथ पूरी तरह से कैलिब्रेट नहीं कर पाती हैं, जो भविष्य के कार्य के लिए एक ठोस समस्या के रूप में चिह्नित है।