Summary  
A Decision Tree is a model that recursively splits data at decision nodes based on feature values, directing each branch until leaf nodes assign a class label.  

General domain of usage  
Classification in machine learning

For mange virkelige problemer kan vi opbygge et **beslutningstræ**. I et beslutningstræ stiller vi et spørgsmål (**beslutningsknude**), og baseret på svaret kommer vi enten frem til en beslutning (**bladknude**) eller stiller flere spørgsmål (beslutningsknude), og så videre.

Her er et eksempel på en and/ikke-and test:

Ved at anvende den samme logik på træningsdata kan vi udlede en af de vigtigste maskinlæringsalgoritmer, som kan bruges til **både regression og klassifikationsopgaver**. I dette kursus fokuserer vi på klassifikation. 

Følgende video illustrerer, hvordan det fungerer:

I videoen ovenfor viser 'Classes' **antallet af datasamples for hver klasse** ved en node. For eksempel indeholder rodenoden alle datasamples (4 'cookies', 4 'not cookies'). Og bladnoden til venstre har kun 3 'not cookies'.

Bemærk

Ved hver beslutningsnode forsøges træningsdataene opdelt, så datapunkterne for hver klasse adskilles i **deres egne bladnoder**.
  
Et beslutningstræ håndterer også **multiklasse-klassifikation** uden problemer:

Og **klassificering med flere funktioner** kan også håndteres af beslutningstræet. Nu kan hver beslutningsnode opdele dataene ved hjælp af en hvilken som helst af funktionerne.

I videoen ovenfor bliver træningssættet skaleret ved hjælp af `StandardScaler`. Det er **ikke** nødvendigt for Decision Tree. Den vil fungere lige så godt på **uskalerede data**. Men skalering forbedrer ydeevnen for alle andre algoritmer, så det er en god idé altid at tilføje skalering til din forbehandling.

Behersk de centrale klassifikationsalgoritmer, der driver moderne maskinlæring. Udforsk hvordan modeller som k-NN, logistisk regression, beslutningstræer og random forests foretager forudsigelser, evaluerer deres nøjagtighed, og forstå hvornår hver model bør anvendes. Opbyg færdigheder til at sammenligne modeller og vælge den bedste til dine data.

Opdag, hvordan k-nærmeste naboer-algoritmen foretager forudsigelser baseret på lighed. Lær at håndtere flere egenskaber, justere parametre og anvende krydsvalidering for at forbedre nøjagtigheden.

Forstå, hvordan logistisk regression modellerer sandsynligheder og klassificerer udfald. Øv implementering, fortolkning af beslutningsgrænser og anvendelse af regularisering for at forhindre overfitting.

Lær, hvordan beslutningstræer opdeler data i meningsfulde grupper baseret på featureværdier. Udforsk, hvordan parametre som trædybde og minimum antal prøver per blad påvirker modellens ydeevne og generalisering.

Undersøg, hvordan random forests kombinerer flere beslutningstræer for at forbedre nøjagtighed og robusthed. Forstå betydningen af tilfældighed og anvend denne ensemble-metode på virkelige data.

Evaluering af modeller ved hjælp af metrikker såsom nøjagtighed, præcision, recall og F1-score. Lær at fortolke forvekslingsmatrixer og sammenligne flere klassifikatorer for at identificere den bedst præsterende model.

Hvad er et Beslutningstræ