Ein Entscheidungsbaum ist ein grafisches Modell, das in der künstlichen Intelligenz und maschinellen Lernen zur Darstellung von Entscheidungsprozessen verwendet wird. Es ist ein Baumartiges Modell, das aus Knoten, Verzweigungen und Blättern besteht und sowohl für Klassifizierungs- als auch für Regressionsaufgaben eingesetzt wird.
Die Struktur eines Entscheidungsbaums besteht aus internen Knoten, die Entscheidungen oder Tests darstellen, und Blättern, die die Ergebnisse oder Vorhersagen anzeigen. Jede Verzweigung stellt eine Entscheidung oder einen Test auf Basis eines Merkmals dar, während die Blätter die vorhergesagten Klassen oder Werte enthalten. Der Baum wächst von oben nach unten, wobei die Wurzel den ersten Test darstellt und die tieferen Ebenen komplexere Entscheidungen abbilden.
Entscheidungsbäume sind besonders nützlich, da sie einfach zu interpretieren sind und keine linearen Beziehungen zwischen den Variablen voraussetzen. Sie können sowohl mit kategorialen als auch mit numerischen Daten umgehen und sind daher in vielen Anwendungen wie Kundensegmentierung, Risikobewertung und Vorhersagemodellen weit verbreitet.
Ein wesentlicher Vorteil von Entscheidungsbäumen ist ihre Fähigkeit, komplexe Beziehungen in den Daten darzustellen, ohne dass eine spezielle mathematische Vorbildung erforderlich ist. Sie sind zudem effizient in der Bearbeitung von Daten und können problemlos mit anderen Algorithmen kombiniert werden, um Ensemble-Modelle wie Random Forests zu erstellen, die höhere Genauigkeit bieten.