Entscheidungsbaum (Decision tree)
Überwachtes Modell, das Daten durch rekursive Splits auf Merkmalsschwellen teilt und einen Baum aus Ja-oder-Nein-Entscheidungen bildet.
Ein Entscheidungsbaum ist ein Modell des überwachten Lernens, das Daten durch eine Folge von Wenn-dann-Splits auf einzelnen Merkmalen aufteilt. Jeder innere Knoten prüft eine Schwelle; jeder Ast führt zu einem weiteren Split oder zu einem Blatt, das eine Klasse oder eine numerische Vorhersage zuweist. Die Struktur ist leicht lesbar, was Bäume in Wirtschaft und Medizin attraktiv machte, lange bevor neuronale Netze wieder an Bedeutung gewannen.
Ein einzelner tiefer Baum kann Rauschen überanpassen, indem er Trainingsbesonderheiten auswendig lernt. Ensemble-Methoden beheben diese Schwäche: Bagging trainiert viele Bäume auf Bootstrap-Stichproben und mittelt ihre Stimmen, und Leo Breimans Random Forest ergänzt zufällige Merkmalsmengen pro Split, um die Bäume weiter zu entkoppeln. Siehe den Artikel zu Random Forests und den Zeitleisten-Eintrag.