Drzewo decyzyjne to metoda uczenia maszynowego, która służy do klasyfikacji danych na podstawie ich cech. Polega ona na budowaniu modelu, który jest reprezentowany przez drzewo decyzyjne. Każdy węzeł w drzewie decyzyjnym odpowiada jednej cechie, a krawędzie między węzłami oznaczają możliwe wartości tej cechy.
Przy budowaniu drzewa decyzyjnego stosuje się algorytm, który dzieli dane treningowe na coraz mniejsze podzbiory na podstawie wartości cech. Celem jest znalezienie takiego podziału, który jak najlepiej oddziela dane według ich etykiet. Proces ten jest powtarzany dla każdego węzła aż do momentu, gdy wszystkie próbki w podzbiorze należą do tej samej klasy lub gdy nie ma już możliwości podziału. W takim przypadku węzeł jest oznaczany jako liść, a jego etykieta jest ustalana na podstawie najczęściej występującej etykiety w podzbiorze.
Drzewo decyzyjne ma kilka zalet, takich jak prostota implementacji i interpretowalność modelu. Jest ono również dobrze skalowalne w przypadku dużych zbiorów danych. Jednak ma też pewne ograniczenia, takie jak tendencja do przetrenowywania oraz konieczność doboru odpowiednich hiperparametrów.
Przykład:
from sklearn.tree import DecisionTreeClassifier
# Przygotowanie danych - załóżmy, że mamy zbiór treningowy zawierający cechy oraz etykiety
X = [[1, 2], [2, 4], [3, 6], [4, 8]] # cechy
y = [0, 0, 1, 1] # etykiety
# Utworzenie klasyfikatora drzewa decyzyjnego
clf = DecisionTreeClassifier()
# Trenowanie klasyfikatora na danych treningowych
clf.fit(X, y)
# Przewidywanie etykiet dla nowych danych
predictions = clf.predict([[5, 10], [1, 3]])
# Wynik: predictions zawiera [1, 0] - czyli przewiduje, że pierwszy obiekt należy do klasy 1, a drugi do klasy 0
W tym przykładzie został utworzony klasyfikator drzewa decyzyjnego i wytrenowany na danych treningowych (X i y). Następnie został on wykorzystany do przewidywania etykiet dla nowych danych.