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

Voor veel problemen uit de praktijk kunnen we een **beslissingsboom** bouwen. In een beslissingsboom stellen we een vraag (**beslissingsknoop**), en op basis van het antwoord komen we tot een beslissing (**bladknoop**) of stellen we meer vragen (beslissingsknoop), enzovoort.

Hier is een voorbeeld van een eend/niet-eend test:

Door dezelfde logica toe te passen op de trainingsdata kunnen we een van de belangrijkste machine learning-algoritmen afleiden, die gebruikt kan worden voor **zowel regressie- als classificatietaken**. In deze cursus richten we ons op classificatie.

De volgende video laat zien hoe het werkt:

In de bovenstaande video toont 'Classes' het **aantal gegevensvoorbeelden van elke klasse** bij een knooppunt. Bijvoorbeeld, het wortelknooppunt bevat alle gegevensvoorbeelden (4 'cookies', 4 'not cookies'). En het bladknooppunt aan de linkerkant heeft alleen 3 'not cookies'.

Opmerking

Bij elk beslissingsknooppunt proberen we de trainingsgegevens zo te splitsen dat de gegevenspunten van elke klasse worden gescheiden in **hun eigen bladknooppunten**.
  
Een Decision Tree verwerkt ook **multiclass-classificatie** moeiteloos:

En **classificatie met meerdere kenmerken** kan ook worden afgehandeld door de beslissingsboom. Nu kan elke beslissingsknoop de gegevens splitsen met behulp van elk van de kenmerken.

In de bovenstaande video wordt de trainingsset geschaald met behulp van `StandardScaler`. Dit is **niet** noodzakelijk voor de Decision Tree. Deze presteert even goed op de **ongeschaalde data**. Maar schalen verbetert de prestaties van alle andere algoritmen, dus het is verstandig om schalen altijd toe te voegen aan je preprocessing.

Beheers de kernclassificatie-algoritmen die moderne machine learning aandrijven. Ontdek hoe modellen zoals k-NN, logistische regressie, beslissingsbomen en random forests voorspellingen doen, hun nauwkeurigheid evalueren en begrijp wanneer elk model te gebruiken. Ontwikkel vaardigheden om modellen te vergelijken en de beste keuze te maken voor uw data.

Ontdek hoe het k-nearest neighbors-algoritme voorspellingen doet op basis van gelijkenis. Leer omgaan met meerdere kenmerken, parameters afstemmen en kruisvalidatie toepassen om de nauwkeurigheid te verbeteren.

Inzicht in hoe logistische regressie waarschijnlijkheden modelleert en uitkomsten classificeert. Oefenen met het implementeren ervan, het interpreteren van beslissingsgrenzen en het toepassen van regularisatie om overfitting te voorkomen.

Leer hoe beslisbomen gegevens opdelen in betekenisvolle groepen op basis van kenmerkwaarden. Ontdek hoe parameters zoals boomdiepte en het minimum aantal monsters per blad de modelprestaties en generalisatie beïnvloeden.

Ontdek hoe random forests meerdere beslissingsbomen combineren om de nauwkeurigheid en robuustheid te verbeteren. Begrijp de rol van willekeur en pas deze ensemblemethode toe op real-world data.

Modellen evalueren met behulp van metriek zoals nauwkeurigheid, precisie, recall en F1-score. Interpretatie van verwarringsmatrices en vergelijking van meerdere classificatie-algoritmen om het best presterende model te identificeren.

Wat Is Een Beslissingsboom