통계 실험실 차트
넘스탯 로고
넘스탯
LEARN · SIMULATE · VERIFY

확률부터 LLM까지, 원리부터 제대로 배우는 자기주도 학습 플랫폼

로그인
학습 메뉴
도움말
홈

결정 트리 (Decision Tree)

마일스톤 학습법으로 단계별 완전 정복
분류
회귀
결정트리
해석가능
규칙기반
화이트박스
이 개념 직접 실험하기 — 결정 트리 시뮬레이터
이 학습을 통해 달성할 수 있는 목표
기초 이해
  • • 결정 트리의 기본 구조와 동작 원리를 이해한다
  • • 노드, 가지, 잎의 개념과 역할을 파악한다
  • • 결정 트리의 해석 가능성 장점을 설명할 수 있다
심화 학습
  • • 정보 획득, 지니 불순도 등 분할 기준을 계산하고 비교할 수 있다
  • • 과적합 문제와 가지치기 기법의 필요성을 이해한다
  • • 분류와 회귀 트리의 차이점을 설명할 수 있다
실무 적용
  • • 앙상블 방법과 결정 트리의 결합 원리를 이해한다
  • • 대규모 데이터에서 결정 트리 최적화 전략을 수립할 수 있다
  • • 해석 가능성과 성능의 트레이드오프를 고려한 모델 설계가 가능하다
한눈에 보기

결정 트리는 특징에 대한 질문(분기)을 반복해 데이터를 나누며 예측하는, 사람이 해석하기 쉬운 규칙 기반 모델이다.

이 내용은 넘스탯의 결정 트리 시뮬레이터에서 직접 실험으로 확인할 수 있습니다.

학습 로드맵

각 단계를 클릭하면 해당 학습 내용을 볼 수 있습니다

기초 이해
개념 정의와 기본 원리
약 25분
클릭
심화 학습
공식 유도와 다양한 예시
약 40분
클릭
실무 적용
실제 케이스와 고급 응용
약 55분

학습 진도 (완료한 단계)

0%

기초 단계결정 트리란 무엇인가요?

기초 단계: 결정 트리란 무엇인가요?

난이도 2/5
약 25분

결정 트리는 나무 구조로 된 의사결정 규칙을 만들어 데이터를 분류하거나 예측하는 방법입니다. 마치 스무고개 게임처럼 예/아니오 질문을 단계적으로 하여 최종 답에 도달합니다.

결정 트리 — 질문을 반복해 나눈다각 분기에서 데이터를 가장 잘 나누는 질문을 골라, 잎에 도달하면 예측이 됩니다아니오예아니오예나이 > 30 ?소득 > 5천만 ?승인예측: 대출 승인거절예측: 거절승인예측: 승인해석이 쉽지만 깊어지면 과적합 — 가지치기·최대깊이로 규제하고, 앙상블의 부품이 된다
핵심 포인트
  • •if-then 규칙으로 이루어진 나무 구조의 모델
  • •각 내부 노드는 하나의 특성에 대한 조건 검사
  • •잎 노드는 최종 예측 결과(클래스 또는 수치)
  • •직관적이고 해석하기 쉬운 화이트박스 모델
간단한 예시

온라인 쇼핑에서 고객이 구매할지 예측하는 결정 트리: '방문 시간 > 10분?' → 예 → '이전 구매 경험 있음?' → 예 → '구매 확률 85%'. 이런 식으로 단계별 질문을 통해 구매 가능성을 판단합니다.

이해도 확인하기

정답: 한 노드에 같은 클래스의 데이터가 얼마나 많이 모여있는지를 나타냅니다. 모든 데이터가 같은 클래스면 순도가 높고(pure), 섞여있으면 순도가 낮습니다(impure).

정답: 과적합(overfitting) 문제가 발생할 수 있습니다. 훈련 데이터에는 완벽하게 맞지만 새로운 데이터에서는 성능이 떨어질 수 있습니다.

정답: 결정 트리는 비선형 관계를 자동으로 학습할 수 있고, 특성 간의 상호작용을 처리할 수 있습니다. 또한 해석이 매우 쉽고 전처리가 거의 필요 없습니다.

기계학습 이론 페이지로 돌아가기