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

För många verkliga problem kan vi skapa ett **beslutsträd**. I ett beslutsträd ställer vi en fråga (**beslutsnod**), och baserat på svaret kommer vi antingen fram till ett beslut (**bladnod**) eller ställer fler frågor (beslutsnod), och så vidare.

Här är ett exempel på ett test för anka/inte anka:

Genom att tillämpa samma logik på träningsdata kan vi härleda en av de viktigaste algoritmerna inom maskininlärning, som kan användas för **både regression och klassificering**. I denna kurs fokuserar vi på klassificering.

Följande video illustrerar hur det fungerar:

I videon ovan visar 'Klasser' **antalet dataprover av varje klass** vid en nod. Till exempel innehåller rot-noden alla dataprover (4 'cookies', 4 'not cookies'). Och bladnoden till vänster har endast 3 'not cookies'.

Notering

Vid varje beslutspunkt försöker vi dela upp träningsdatan så att datapunkterna för varje klass separeras i **egna bladnoder**.
  
Ett beslutsträd hanterar även **multiklassklassificering** utan problem:

Och **klassificering med flera egenskaper** kan också hanteras av besluts­trädet. Nu kan varje beslutsnod dela upp data med hjälp av vilken som helst av egenskaperna.

I videon ovan skalas träningsuppsättningen med `StandardScaler`. Det är **inte** nödvändigt för Decision Tree. Den fungerar lika bra på **oskalad data**. Men skalning förbättrar prestandan för alla andra algoritmer, så det är en bra idé att alltid lägga till skalning i din förbehandling.

Behärska de centrala klassificeringsalgoritmerna som driver modern maskininlärning. Utforska hur modeller som k-NN, logistisk regression, beslutsträd och random forests gör prediktioner, utvärderar deras noggrannhet och förstå när varje modell bör användas. Bygg upp färdigheter för att jämföra modeller och välja den mest lämpliga för dina data.

Utforska hur algoritmen k-närmsta grannar gör förutsägelser baserat på likhet. Lär dig hantera flera variabler, justera parametrar och använda korsvalidering för att förbättra noggrannheten.

Förstå hur logistisk regression modellerar sannolikheter och klassificerar utfall. Öva på att implementera metoden, tolka beslutsgränser och tillämpa regularisering för att förhindra överanpassning.

Lär dig hur beslutsträd delar upp data i meningsfulla grupper baserat på egenskapsvärden. Utforska hur parametrar som trädets djup och minsta antal prover per blad påverkar modellens prestanda och generaliseringsförmåga.

Utforska hur random forest kombinerar flera beslutsträd för att förbättra noggrannhet och robusthet. Förstå slumpens roll och tillämpa denna ensemblemetod på verkliga data.

Utvärdera modeller med hjälp av mått såsom noggrannhet, precision, återkallelse och F1-poäng. Lära sig att tolka förväxlingsmatriser och jämföra flera klassificerare för att identifiera den modell som presterar bäst.

Vad är ett beslutsträd