Decision Tree
Un arbre de décision divise récursivement l'espace de données ; chaque nœud interne se ramifie selon le seuil d'une caractéristique et chaque feuille produit une prédiction, offrant une forte interprétabilité.
Objectif
Fournir un modèle interprétable de classification et de régression, base des forêts aléatoires et du gradient boosting.
Mécanisme
Les divisions maximisent le gain d'information (ID3/C4.5) ou minimisent l'impureté de Gini (CART). La récursion se poursuit jusqu'aux critères de pureté ou limites de profondeur. L'élagage prévient le surapprentissage.
Cas d’usage
- Classification et régression
- ML interprétable
- Sélection de caractéristiques