Açıklanabilir Karar Ağacı
Explainable Decision Tree (Interpretable Rule-Based Classification and Regression Tree) · Ayrıca şöyle bilinir: XDT, interpretable decision tree, rule-based decision tree, transparent decision tree
Açıklanabilir bir Karar Ağacı, kasıtlı olarak sığ, okunabilir ve denetlenebilir şekilde büyütülen bir sınıflandırma veya regresyon ağacıdır — ek araçlar olmadan bir insan tarafından doğrulanabilen sonlu sayıda eğer-o zaman kuralı üretir. Tahmin modellemesi ile Açıklanabilir Yapay Zeka (XAI) kesişiminde yer alır ve paydaşların modelin yaptığı her tahmine anlayıp güvenmesi gerektiğinde tercih edilir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Model yorumlanabilirliğinin zorunlu bir gereklilik olduğu durumlarda bir Açıklanabilir Karar Ağacı kullanın — düzenleyici uyumluluk (örn. GDPR, klinik kılavuzlar), yüksek riskli kararlar (kredi onayları, tıbbi triyaj) veya akıl yürütmenin teknik olmayan paydaşlar tarafından denetlenebilir olması gereken eğitim ortamları. Sürekli ve kategorik özelliklerin herhangi bir karışımına sahip tablo verileri için uygundur, dağılımsal varsayım içermez. Tahmin performansının birincil hedef olduğu ve yorumlanabilirliğin sonradan açıklama araçlarına devredilebileceği veya verilerin doğruluğu feda etmeden sığ bir ağacın yakalayamayacağı ince etkileşimlere sahip çok yüksek boyutluluğa sahip olduğu durumlarda kaçının.
Güçlü yönler & sınırlılıklar
- İçsel olarak yorumlanabilir: herhangi bir tahmine giden eğer-o-zaman kural yolu, sonradan araçlar olmadan açıktır.
- Özellik ölçeklendirme veya normallik varsayımı gerektirmez; karışık özellik türlerini yerel olarak işler.
- Tahmin zamanında hızlı çıkarım ve düşük hesaplama maliyeti.
- Kural çıkarımı, kural tabanlı veya uzman sistemlere doğrudan entegrasyonu sağlar.
- Aynı algoritma ile hem sınıflandırma hem de regresyon görevlerini destekler.
- Özellik önemi (toplam safsızlık azalmasına dayanarak) modele yerleşiktir.
- Karmaşık veri kümelerinde tahmin doğruluğu tipik olarak topluluk yöntemlerinden (Rastgele Orman, gradyan artırma) daha düşüktür.
- Açgözlü bölme, küresel olarak optimal bir ağacı garanti etmez ve farklı rastgele tohumlar farkedilir derecede farklı yapılar üretebilir.
- Açıklanabilirlik için getirilen sığ derinlik kısıtlamaları, gerçek karar sınırları karmaşık olduğunda yetersiz uyuma neden olabilir.
- Eğitim verilerindeki küçük değişikliklere duyarlıdır; tek bir nokta erken bir bölümü kaydırabilir ve tüm ağaç yapısını değiştirebilir.
SSS
Bir karar ağacını 'açıklanabilir' yapan derinlik nedir?
Evrensel bir eşik yoktur, ancak 3-5 derinlikteki ağaçlar yaygın olarak insan tarafından okunabilir olarak belirtilir. 6-7 derinliğin ötesinde, kural sayısı üstel olarak artar ve çoğu uzman olmayan kişi yazılım yardımı olmadan bir yolu izleyemez.
Açıklanabilir bir karar ağacı, normal bir karar ağacından nasıl farklıdır?
Aynı algoritmayı kullanırlar. 'Açıklanabilir' etiketi kasıtlı bir tasarım seçimi olduğunu belirtir — sonuçta ortaya çıkan kuralların yorumlanabilir kalması için derinlik ve karmaşıklık kısıtlanır. Tam derinliğe kadar büyütülen normal bir karar ağacı, okunabilirlik yerine doğruluğu önceliklendirir.
Bir açıklanabilir karar ağacının üzerine SHAP veya LIME kullanmalı mıyım?
Genellikle gerekli değildir. Ağacın kural yolları zaten açıklamadır. Zaten sığ bir ağaca SHAP eklemek gereksizdir ve yanıltıcı olabilir; bu araçlar kara kutu modeller için değer katar.
Ne zaman bir açıklanabilir karar ağacı yerine Rastgele Orman tercih etmeliyim?
Tahmin doğruluğunun birincil endişe olduğu ve yorumlanabilirliği SHAP değerlerine veya kısmi bağımlılık grafiklerine devretmeyi tolere edebildiğinizde. Bir düzenleyici veya son kullanıcı, ek araçlar olmadan her bireysel tahmini anlamak zorundaysa, açıklanabilir ağaç daha güvenli bir seçimdir.
Bir karar ağacıyla sınıf dengesizliğini nasıl ele alırım?
Scikit-learn'de (veya eşdeğerinde) class_weight='balanced' geçirin veya eğitimden önce aşırı örnekleme (SMOTE) uygulayın. Ayarlama yapılmadan, çoğunluk sınıfı yaprakları hakim olur ve azınlık sınıfı geri çağırması zarar görür.
Kaynaklar
- Breiman, L., Friedman, J., Olshen, R. A., & Stone, C. J. (1984). Classification and Regression Trees. Wadsworth & Brooks/Cole. ISBN: 978-0-412-04841-8
- Rudin, C. (2019). Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. Nature Machine Intelligence, 1(5), 206–215. DOI: 10.1038/s42256-019-0048-x ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Explainable Decision Tree (Interpretable Rule-Based Classification and Regression Tree). ScholarGate. https://scholargate.app/tr/machine-learning/explainable-decision-tree
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Karar AğacıMakine öğrenmesi↔ karşılaştır
- Lojistik RegresyonAraştırma istatistiği↔ karşılaştır
- Rastgele OrmanMakine öğrenmesi↔ karşılaştır