결정 트리
Coddy의 머신 러닝 입문 코스 레슨. 19개 중 17번째.
결정 트리(Decision Tree)는 분류와 회귀 작업 모두에 사용되는 비선형 모델입니다. 다른 알고리즘보다 인간의 의사 결정 과정을 더 밀접하게 반영하므로, 복잡한 데이터셋을 처리하는 데 직관적이면서도 강력합니다. 핵심적으로, 결정 트리는 일련의 단순한 규칙을 사용하여 데이터를 하위 집합으로 분할하는데, 이는 데이터 포인트의 특성에 대해 일련의 예/아니오 질문을 던지는 것과 비슷합니다.
출처: 위키백과
결정 트리를 다음과 같은 트리 모양의 그래프로 시각화해 보세요:
- 각 내부 노드(internal node)는 속성에 대한 "테스트"를 나타냅니다 (예: 동전 던지기가 앞면인지 뒷면인지 여부).
- 각 가지(branch)는 테스트의 결과를 나타냅니다.
- 각 잎 노드(leaf node)는 클래스 레이블(모든 속성을 계산한 후 내린 결정)을 나타냅니다.
결정 트리의 유형:
- 분류 트리(Classification Trees): 예측된 결과가 데이터가 속한 클래스일 때 사용됩니다.
- 회귀 트리(Regression Trees): 예측된 결과가 실수(예: 주택 가격)로 간주될 수 있을 때 사용됩니다.
실력 점검이 레슨에는 짧은 퀴즈가 포함되어 있습니다. 레슨을 시작해 문제를 풀고 진행 상황을 기록하세요.
실력 점검이 레슨에는 짧은 퀴즈가 포함되어 있습니다. 레슨을 시작해 문제를 풀고 진행 상황을 기록하세요.
실력 점검이 레슨에는 짧은 퀴즈가 포함되어 있습니다. 레슨을 시작해 문제를 풀고 진행 상황을 기록하세요.
챌린지
중급다음과 같은 형식의 규칙 목록을 받는 decide_outcome이라는 이름의 함수를 만드세요:
rules = {
rule1: {"type": "bigger", "value": 5},
rule2: {"type": "smaller", "value": 7},
}그리고 결과의 충족 여부에 따라 다음에 진행할 규칙을 정의한 데이터를 받습니다:
outcome = {
"rule1": {True: "rule2", False: "rule3"},
"rule2": {True: "rule3", False: "rule4"},
"rule3": {True: None, False: None}
"rule4": {True: None, False: None}
}data_point = {
"rule1": 8,
"rule2": 10,
}출력값은 rule4가 되어야 합니다.
8 is bigger than 5 (True)→"rule1": {True: "rule2", False: "rule3"},에 의해rule2로 이동합니다.10 is smaller than 7 (False)→"rule2": {True: "rule3", False: "rule4"},에 의해rule4로 이동합니다.- 더 이상 진행할 방법이 없으므로 출력값은
rule4입니다.
항상 <strong>rule1</strong>에서 시작하세요.
직접 해보기
def decide_outcome(rules, outcome, point):
current_rule = "rule1"
# 여기에 코드를 작성하세요머신 러닝 입문의 모든 레슨
직접 연습해 보세요: 온라인 Python 컴파일러