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 bygge et **beslutningstre**. I et beslutningstre stiller vi et spørsmål (**beslutningsnode**), og basert på svaret kommer vi enten frem til en avgjørelse (**bladnode**) eller stiller flere spørsmål (beslutningsnode), og så videre.

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

Ved å bruke samme logikk på treningsdataene kan vi utlede en av de viktigste maskinlæringsalgoritmene, som kan brukes til **både regresjons- og klassifiseringsoppgaver**. I dette kurset vil vi fokusere på klassifisering.

Følgende video illustrerer hvordan det fungerer:

I videoen ovenfor viser 'Classes' **antall datasettprøver for hver klasse** i en node. For eksempel inneholder rot-noden alle datasettprøvene (4 'cookies', 4 'not cookies'). Bladnoden til venstre har kun 3 'not cookies'.

Merknad

Ved hvert beslutningspunkt forsøker vi å dele treningsdataene slik at datapunktene for hver klasse blir separert i **egne bladnoder**.
  
Et beslutningstre håndterer også **multiklasseklassifisering** uten problemer:

Og **klassifisering med flere funksjoner** kan også håndteres av beslutningstrær. Nå kan hver beslutningsnode dele opp dataene ved å bruke en hvilken som helst av funksjonene.

I videoen ovenfor blir treningssettet skalert ved hjelp av `StandardScaler`. Dette er **ikke** nødvendig for beslutningstrær. Det vil prestere like bra på **uskalert data**. Men skalering forbedrer ytelsen til alle andre algoritmer, så det er lurt å alltid legge til skalering i forhåndsprosessen.

Merk

Behersk de sentrale klassifiseringsalgoritmene som driver moderne maskinlæring. Utforsk hvordan modeller som k-NN, logistisk regresjon, beslutningstrær og random forests gjør prediksjoner, evaluerer nøyaktigheten sin, og forstå når hver modell bør brukes. Bygg ferdigheter til å sammenligne modeller og velge den beste for dine data.

Utforsk hvordan k-nærmeste naboer-algoritmen gjør prediksjoner basert på likhet. Lær å håndtere flere egenskaper, justere parametere og bruke kryssvalidering for å forbedre nøyaktigheten.

Forstå hvordan logistisk regresjon modellerer sannsynligheter og klassifiserer utfall. Øv på implementering, tolkning av beslutningsgrenser og bruk av regularisering for å forhindre overtilpasning.

Lær hvordan beslutningstrær deler data inn i meningsfulle grupper basert på egenskapsverdier. Utforsk hvordan parametere som treets dybde og minimum antall prøver per blad påvirker modellens ytelse og generalisering.

Utforsk hvordan random forest kombinerer flere beslutningstrær for å forbedre nøyaktighet og robusthet. Forstå rollen til tilfeldighet og bruk denne ensemblemetoden på virkelige data.

Vurder modeller ved hjelp av måleparametere som nøyaktighet, presisjon, tilbakekalling og F1-score. Lær å tolke forvirringsmatriser og sammenligne flere klassifikatorer for å identifisere den best presterende modellen.

Hva er beslutningstre