의사결정 트리 시각화
분류 알고리즘을 단계별로 구축하고 시각화합니다
데이터셋
설정
12345
트리 시각화
“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 |
자주 묻는 질문
의사결정 트리란 무엇인가요?
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.
엔트로피와 지니 계수의 차이점은?
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(overfitting)을 방지하려면?
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.