Decision Tree
Ein Entscheidungsbaum teilt den Datenraum rekursiv; jeder innere Knoten verzweigt anhand eines Merkmalsschwellenwerts, und jedes Blatt liefert eine Vorhersage — mit hoher Interpretierbarkeit.
Zweck
Ein interpretierbares Klassifikations- und Regressionsmodell bereitstellen, als Grundlage von Random Forests und Gradient Boosting.
Mechanismus
Splits maximieren den Informationsgewinn (ID3/C4.5) oder minimieren die Gini-Unreinheit (CART). Die Rekursion läuft weiter, bis Reinheitskriterien oder Tiefengrenzen erreicht sind. Pruning verhindert Überanpassung.
Anwendungsfälle
- Klassifikation und Regression
- Interpretierbares ML
- Merkmalsauswahl