AITerms 登入
機器學習模型訓練特徵工程

決策樹(Decision Tree)是什麼?

決策樹是一種透過 if-else 條件判斷,將資料逐步拆解為更純粹子集的模型,具備高度可解釋性

完整定義

決策樹是一種基於樹狀結構進行決策的機器學習模型。它通過一系列的判斷規則,將數據逐步劃分到不同的葉節點,每個葉節點代表一個預測結果。決策樹易於理解和解釋,並且可以處理分類和回歸問題。然而,單棵決策樹容易過度擬合,因此通常會使用集成方法,如隨機森林和梯度提升樹,來提高模型的性能。

白話說明

你有沒有在你想看模型怎麼一層層做決定時,還在想這件事到底該怎麼看?

把它想成一張一路問是或不是的流程圖。

它會根據特徵條件一路分裂資料,最後得到不同結果。

因為規則直觀,所以常被拿來做解釋和入門教學。

記住這句

一路問條件,一路往下分。

比喻:決策樹就像玩「二十個問題」遊戲 -- 它會根據一系列的「是」或「否」問題(條件判斷),一步步縮小範圍,最終找到答案或分類。

容易混淆

random-forest

vs 類神經網路:決策樹像流程圖,判斷過程透明可解釋,你清楚知道每個判斷步驟;類神經網路像黑箱,雖然準確但你不知道它內部怎麼做出決策。

常見混淆:決策樹 vs random-forest

單棵樹好解釋,隨機森林把很多棵樹集成在一起更穩。

實際案例

貸款審核

先看收入,再看負債,再看還款紀錄,最後給出不同分支結果。

客戶流失預測

根據使用頻率、客服紀錄和付款狀況分成不同風險群。

演算法與應用

1. 決策樹的分裂通常會根據資訊增益或 Gini 不純度來選特徵。

2. 樹太深容易過擬合,所以常要做剪枝。

3. 它可解釋性高,但單棵樹的穩定度通常不如集成方法。

情境判斷

Q1:如果你想用很直觀的方式描述模型決策,哪種模型很適合?

決策樹很適合,因為每一步都看得見。

Q2:樹越深就一定越好嗎?

不一定,太深容易記住訓練資料,反而過擬合。

常見問題

出現在這些考古題

官方公告試題的逐題解析裡,這 3 題把決策樹列為延伸術語。

相關術語

本頁內容有提到,或屬於同一組主題的術語

來源

這個術語目前沒有標註外部來源。

其他格式:Markdown 版本