Entscheidungsbäume und Baum-Ensembles sind leistungsstarke Lernalgorithmen, die in vielen Anwendungen eingesetzt werden und auch dazu verwendet werden, Wettbewerbe im maschinellen Lernen zu gewinnen. "Es ist ein Werkzeug, das man unbedingt in seinem Werkzeugkasten haben sollte."[1]
"Entscheidungsbäume (DTs) sind eine nicht-parametrische überwachte Lernmethode, die für Klassifikation und Regression verwendet wird. Das Ziel ist es, ein Modell zu erstellen, das den Wert einer Zielvariable vorhersagt, indem es einfache Entscheidungsregeln aus den Datenmerkmalen erlernt."[2]
"Ein Entscheidungsbaum ist eine flussdiagrammähnliche Struktur, in der jeder interne Knoten einen 'Test' eines Attributs darstellt (z. B. ob eine Münze Kopf oder Zahl zeigt), jeder Zweig das Ergebnis des Tests darstellt und jeder Blattknoten ein Klassenlabel repräsentiert (Entscheidung nach Auswertung aller Attribute). Die Pfade von der Wurzel bis zum Blatt stellen Klassifikationsregeln dar."[3]
"Entscheidungsbäume im maschinellen Lernen bieten eine effektive Methode zum Treffen von Entscheidungen, da sie das Problem und alle möglichen Ergebnisse darstellen. Sie ermöglichen es Entwicklern, die möglichen Konsequenzen einer Entscheidung zu analysieren, und je mehr Daten der Algorithmus verarbeitet, desto besser kann er Ergebnisse für zukünftige Daten vorhersagen."[4]
Entscheidungsbäume sind nützlich, um komplexe Daten in handhabbare Teile zu zerlegen.
[1] Andrew Ng, Stanford University & DeepLearning.AI, Machine Learning Spezialisierung, Kurs 2, Woche 4
[2] Baum, scikit-learn.org
[3] Entscheidungsbaum, Wikipedia
[4] Entscheidungsbaum, Machine Learning, Coursera