의사결정 트리(Decision Tree) 분류 알고리즘을 인터랙티브하게 시각화합니다. 엔트로피, 정보 이득, 지니 계수를 단계별로 확인하고, 데이터를 직접 편집하며 트리 구축 과정을 학습하세요.
의사결정 트리(Decision Tree)는 데이터를 특성(feature)에 따라 분할하여 분류하는 지도학습 알고리즘입니다. 나무 구조로 표현되며, 각 내부 노드는 특성에 대한 질문, 각 잎 노드는 분류 결과를 나타냅니다. 직관적이고 해석이 쉬운 것이 장점입니다.
엔트로피(Entropy)는 정보 이론 기반으로 -Σ p·log₂(p)로 계산하며, 지니 계수(Gini Index)는 1-Σp²로 계산합니다. 엔트로피는 로그 연산으로 순수 노드에 더 민감하고, 지니 계수는 계산이 빠릅니다. 실무에서는 결과 차이가 크지 않아 보통 지니 계수(scikit-learn 기본값)를 사용합니다.
과적합 방지 방법: (1) 최대 깊이(max_depth) 제한, (2) 최소 샘플 수 설정, (3) 가지치기(pruning), (4) 앙상블 방법(Random Forest, Gradient Boosting) 사용. 이 도구에서는 최대 깊이 슬라이더로 과적합 효과를 직접 확인할 수 있습니다.
의사결정 트리(Decision Tree)는 데이터를 특성(feature)에 따라 분할하여 분류하는 지도학습 알고리즘입니다. 나무 구조로 표현되며, 각 내부 노드는 특성에 대한 질문, 각 잎 노드는 분류 결과를 나타냅니다. 직관적이고 해석이 쉬운 것이 장점입니다.
엔트로피(Entropy)는 정보 이론 기반으로 -Σ p·log₂(p)로 계산하며, 지니 계수(Gini Index)는 1-Σp²로 계산합니다. 엔트로피는 로그 연산으로 순수 노드에 더 민감하고, 지니 계수는 계산이 빠릅니다. 실무에서는 결과 차이가 크지 않아 보통 지니 계수(scikit-learn 기본값)를 사용합니다.
과적합 방지 방법: (1) 최대 깊이(max_depth) 제한, (2) 최소 샘플 수 설정, (3) 가지치기(pruning), (4) 앙상블 방법(Random Forest, Gradient Boosting) 사용. 이 도구에서는 최대 깊이 슬라이더로 과적합 효과를 직접 확인할 수 있습니다.
분류 알고리즘을 단계별로 구축하고 시각화합니다
“트리 생성” 또는 “1단계” 버튼을 눌러 시작하세요
| # | 전망 | 온도 | 습도 | 바람 | 운동 (라벨) | |
|---|---|---|---|---|---|---|
| 1 | ||||||
| 2 | ||||||
| 3 | ||||||
| 4 | ||||||
| 5 | ||||||
| 6 | ||||||
| 7 | ||||||
| 8 | ||||||
| 9 | ||||||
| 10 | ||||||
| 11 | ||||||
| 12 | ||||||
| 13 | ||||||
| 14 |