Decision Tree의 장점
- 학습된 모델의 해석력이 높음(학습된 모델을 사람이 이해 가능, 학습된 Tree를 시각화 할 수 있음)
- Scaling, One Hot Encoding 등 데이터 전처리의 영향이 크지 않음
- Feature Selection이 자동으로 수행됨
- 학습된 모델의 Prediction 속도가 빠름
Decision Tree의 단점
- Overfitting 되기 쉬움 -> 불순도/엔트로피가 0이 될 때까지 집요하게 Tree 가지를 분리, Training Dataset에 최적화 될 가능성 존재
- 모델을 학습하기 위한 시간/공간 복잡도가 높음
- 다른 분류 알고리즘에 비해 예측 정확도가 상대적으로 낮음 -> 앙상블 학습 기법으로 보완
Hyperparameter
- Decision Tree의 Hyperparameter들은 대부분 Overfitting을 완화하는 목적
- Tree의 크기를 제한함으로써 Overfitting을 완화
- Decision Tree의 학습을 일찍 종료시켜 Tree의 크기를 제한
ex) max_depth, min_samples_split, min_samples_leaf, max_leaf_nodes, max_features...
'프로젝트 > 코드프레소 체험단' 카테고리의 다른 글
| 파이썬으로 구현하는 머신러닝 : 트리모델 - Random Forest (0) | 2022.02.09 |
|---|---|
| 파이썬으로 구현하는 머신러닝 : 트리모델 - 앙상블 기법의 개념 (0) | 2022.02.09 |
| 파이썬으로 구현하는 머신러닝 : 트리모델 - Decision Tree 모델의 학습 (0) | 2022.02.09 |
| 파이썬으로 구현하는 머신러닝 : 트리모델 - 지도학습을 위한 트리모델 (0) | 2022.02.09 |
| 파이썬으로 구현하는 머신러닝 : 분류분석 - ROC 커브와 AUC 실습 (0) | 2022.01.23 |
