Editing 의사결정 나무

[[분류:데이터 분석]][[분류:프로젝트 관리]]
;Decision Tree
;분류함수를 의사결정규칙으로 표현할 때 타원(분기점), 직선(가지), 사각형(잎사귀)을 이용하여 나무형태로 그려서 분석하는 기법

[[파일:의사결정나무.png]]

== 유형 ==
{| class="wikitable"
|-
! 단계 !! 설명
|-
| 의사결정 나무 형성 || 
분석 목적과 자료구조에 따라 적절하게 분리 기준(Split Criterion) 및 정지규칙(Stopping Rule) 지정
|-
| 가지치기 || 분류오류(Classification Error) 유발 위험이 높거나 부적절한 규칙을 가지는 가지(Branch) 제거
|-
| 타당성 평가 || 이익 도표(Gains Chart), 위험 도표(Risk Chart), 검정 자료(Test Data)에 의한 교차타당성(Cross Validation) 등을 이용하여 평가
|-
| 결과 도출 || 해석 결과에 따라 분류 및 예측 모형 설정
|}

== 활용 알고리즘 ==
{| class="wikitable"
|-
! 알고리즘 !! 설명
|-
| CHAID || 카이제곱 검정(범주형 목표변수) 또는 F-검정(연속형 목표변수)을 이용하여 다지분리(Multiway Split) 수행
|-
| CART || 지니 지수(Gini Index, 범주형) 또는 분산의 감소량(연속형)을 이용하여 이진분리(Binary Split) 수행
|-
| CS5.0 || 명목형 목표 변수를 지원하는 가장 정확한 알고리즘으로, 다지분리(범주)및 이진분리(수치) 수행
|}

== 장단점 ==
* 장점
** 이해하기 쉬운 모델 형태
** 여러 변수의 영향도 파악 용이
** 계산복잡성 대비 높은 예측 성능
** 분류(classification)와 회귀(regression) 모두 가능
::→ 범주나 연속형 수치 모두 예측
* 단점
** 최적해를 보장하지 못함(Greedy 알고리즘)
** 비연속성 분류
** 결정경계(decision boundary)가 데이터 축에 수직인 데이터에만 최적화