Machine Learning, Deep Learning의 시대에 Decision Tree Classification은 예전 만큼의 인기가 있는 것 같지는 않지만, 여전히 독자적인 장점을 유지하며 사용되고 있습니다.
- 해석의 가능성(Interpretability)이 매우 명확합니다. 모델이 어떤 경로를 거쳐 이러한 결과로 분류하였는지 논리적으로도, 시각적으로도 명확하여, 의사 결정 과정을 투명하게 확인할 수 있습니다.
- 빠른 계산 속도를 보여 줍니다. 분류의 기준이 명확하고 단순하기 때문입니다.
- 범주형 데이터, 수치형 데이터를 모두 처리할 수 있습니다. 분류 결과(Classification 결과)를 Decision Tree의 입력자료의 하나로 활용할 수도 있으므로, 재분류 또는 추가 분류를 위한 처리에 활용이 용이합니다.
물론, 고전적인 Decision Tree가 해결하기 어려운 문제를 해결하기 위해 Machine Learning(Random Forest, Gradient Boosting)의 앙상블 기법이 현재는 더 널리 사용되고 있습니다(엄청나게 다양한 가능성을 테스트해 보고 답을 찾아가는, 일종의 CPU 물량 공세라고 할 수 있습니다). 이 방법이 필요하다면, ENVI의 Machine Learining 알고리즘을 이용할 수 있습니다.
최근 딥러닝 기반 모델이 복잡한 문제에 더 적합하다는 평가를 받지만, 설명 가능성, 속도, 단순성이 중요한 분야에서 Decision Tree는 여전히 강력한 선택지 중 하나가 될 것입니다. 로직을 변경해 가며 다양한 분류를 시도해 보면, Decision Tree의 장점을 확인할 수 있을 것입니다.
감사합니다.
Machine Learning, Deep Learning의 시대에 Decision Tree Classification은 예전 만큼의 인기가 있는 것 같지는 않지만, 여전히 독자적인 장점을 유지하며 사용되고 있습니다.
물론, 고전적인 Decision Tree가 해결하기 어려운 문제를 해결하기 위해 Machine Learning(Random Forest, Gradient Boosting)의 앙상블 기법이 현재는 더 널리 사용되고 있습니다(엄청나게 다양한 가능성을 테스트해 보고 답을 찾아가는, 일종의 CPU 물량 공세라고 할 수 있습니다). 이 방법이 필요하다면, ENVI의 Machine Learining 알고리즘을 이용할 수 있습니다.
최근 딥러닝 기반 모델이 복잡한 문제에 더 적합하다는 평가를 받지만, 설명 가능성, 속도, 단순성이 중요한 분야에서 Decision Tree는 여전히 강력한 선택지 중 하나가 될 것입니다. 로직을 변경해 가며 다양한 분류를 시도해 보면, Decision Tree의 장점을 확인할 수 있을 것입니다.
감사합니다.