🔑 名詞卡
決策樹（Decision Tree）
🎯 定義
透過一系列「如果…那麼…」判斷規則，將資料依特徵分割成不同群組的監督式學習演算法，可用於分類（Decision Tree Classifier）或迴歸（Decision Tree Regressor）。
重點／應用
| 分裂依據 | 說明 |
|---|---|
| 基尼不純度（Gini Impurity） | 衡量節點混雜程度，越小越集中於單一類別 |
| 資訊增益（Information Gain） | 依熵（Entropy）變化衡量分裂後不確定性降低多少 |
| 分類誤差 | 節點內樣本分錯比例 |
優點：不需特徵標準化、可處理類別/數值混合特徵、易解釋。缺點：容易過擬合、模型不連續（分段常數）、對資料微小變動敏感。
記憶技巧
「決策樹像流程圖，從根節點問到葉節點給答案」。
易混淆
- vs 隨機森林：隨機森林是多棵決策樹的集成（Bagging），能有效降低單棵樹容易過擬合的問題。
📖 課文原文「決策樹分類器就像一個流程圖，從根節點（Root Node）開始，根據特徵值進行判斷，逐步向下分裂，直到到達葉節點（Leaf Node）。」