Karar Ağacı
Decision Tree (CART — Classification and Regression Trees) · Ayrıca şöyle bilinir: Karar Ağacı (Decision Tree), karar ağacı, classification tree, regression tree, CART
Bir Karar Ağacı, Breiman, Friedman, Olshen ve Stone tarafından 1984 tarihli CART çerçevelerinde biçimlendirilen, veriyi hiyerarşik eğer-o zaman kurallarıyla bölen yorumlanabilir bir sınıflandırma ve regresyon yöntemidir. Her bölünme, bir yapraktan tahmin okunana kadar gözlemleri bir dala veya diğerine gönderir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+30 tane daha
Ne zaman kullanılır
Yorumlanabilir bir model istediğinizde, en az yaklaşık 30 gözlemle, sürekli, kategorik, ikili ve sıralı özelliklerin karışımıyla, kesitsel tablo verileri üzerinde sınıflandırma, tahmin veya açıklama için bir karar ağacı kullanın. Özellik ölçeklendirme gerekmez ve kurallar kolayca iletilebilir. Yaklaşık 30 vakanın altında ağaç kolayca aşırı uyum gösterir — yapraklar tek bir gözlem içerebilir — ve lojistik regresyon veya naive Bayes gibi daha basit, daha kararlı bir model daha güvenlidir.
Güçlü yönler & sınırlılıklar
- Yüksek derecede yorumlanabilir: kökten yaprağa giden yol basit bir eğer-o zaman kuralıdır.
- Özellik ölçeklendirme gerektirmez; sürekli, kategorik, ikili ve sıralı özelliklerle doğrudan ilgilenir.
- Düşük zorluk — yeni başlayan kullanıcılar için bile uygundur.
- Random Forest ve Gradient Boosting gibi toplulukların (ensembles) yapı taşı olarak hizmet eder.
- Aşırı uyuma eğilimlidir, ancak max_depth veya min_samples_leaf ile budama yapılmadığında.
- Küçük örneklemlerde (n yaklaşık 30'un altında) ağaç kolayca aşırı uyum gösterir, yapraklar tek bir gözlem içerebilir.
- Budamadan sonra küçük örneklem ağacı kullanışlı olacak kadar az bölünme içerebilir, bu durumda lojistik regresyon daha kararlıdır.
- Tek bir ağaç kararsızdır — küçük veri değişiklikleri çok farklı bir yapı üretebilir.
SSS
Bir bölünme nasıl seçilir?
CART algoritması, tüm özellikler ve eşikler üzerindeki aday bölünmeleri değerlendirir ve düğüm saflığını en çok azaltan, sınıflandırma için yaygın olarak Gini indeksi veya bilgi kazancıyla ölçülen bölünmeyi seçer.
Bir karar ağacı neden aşırı uyum gösterir ve bunu nasıl durdurabilirim?
Serbestçe büyümeye bırakıldığında bir ağaç, gürültüyü ezberleyerek yapraklar neredeyse saf olana kadar bölünmeye devam eder. Derinliği (max_depth) sınırlayarak, her yaprakta minimum vaka sayısı (min_samples_leaf) gerektirerek veya az katkı sağlayan dalları budayarak onu sınırlayın.
Ne kadar veriye ihtiyacım var?
En az yaklaşık 30 gözlem hedefleyin. Bunun altında ağaç kolayca aşırı uyum gösterir — yapraklar tek bir vaka içerebilir — ve lojistik regresyon veya naive Bayes gibi daha basit bir model daha kararlıdır.
Bir karar ağacı Random Forest ile nasıl ilişkilidir?
Tek bir karar ağacı toplulukların yapı taşıdır: Random Forest, yeniden örneklenmiş veriler üzerinde birçok ağaç büyütür ve oylarını birleştirir, Gradient Boosting ise ağaçları sıralı olarak oluşturur — her ikisi de tekil ağacın şeffaflığını daha fazla doğruluk ve kararlılık için takas eder.
Kaynaklar
- Breiman, L., Friedman, J.H., Olshen, R.A. & Stone, C.J. (1984). Classification and Regression Trees. Wadsworth. DOI: 10.1201/9781315139470 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Decision Tree (CART — Classification and Regression Trees). ScholarGate. https://scholargate.app/tr/machine-learning/decision-tree
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Lojistik RegresyonAraştırma istatistiği↔ karşılaştır
- Naive BayesMakine öğrenmesi↔ karşılaştır
- Rastgele OrmanMakine öğrenmesi↔ karşılaştır
- Destek Vektör Makinesi (Sınıflandırma)Makine öğrenmesi↔ karşılaştır