決策樹 (Decision Tree) 互動教學

點擊畫布新增資料點，或選擇上方的數據模板

🌳 決策路徑可視化（懸停節點可高亮對應的畫布區域）

📊 圖例說明

類別 A（紅色點 / 淡紅色區域）

類別 B（藍色點 / 淡藍色區域）

白色虛線 = 決策分割線

⚙️ 模型參數

最大深度 (Max Depth) 3

1（簡單模型） 10（複雜模型）

分割準則 (Criterion)

🎬 逐步建樹演練

觀察決策樹如何一步步切分空間

步驟 0 / 0

📈 模型狀態

總節點數

0

葉節點數

0

訓練準確率

0%

🔢 節點不純度計算

👆 點擊樹狀圖中的任一節點，即可查看該節點的不純度計算過程

🌲 什麼是決策樹？

決策樹是一種像流程圖一樣的分類結構：

從根節點 (Root) 出發，資料會面臨一連串的「是或否」判斷。
每次判斷對應特徵空間中的一條水平或垂直切分線。
最終流到葉節點 (Leaf)，獲得一個分類結果。

上方的畫布展示了決策樹如何用一系列軸對齊的直線將二維空間切割為矩形區域。

📉 Gini 不純度

Gini = 1 − p_A² − p_B²

p_A：節點中類別 A 的比例。
值越小越好：0 = 完美分類（節點全屬同一類）；0.5 = 最差（兩類各半）。
決策樹在每一步都會貪心地選擇「使加權 Gini 下降最多」的切分點。

📊 資訊熵 (Entropy)

Entropy = −p_A log₂(p_A) − p_B log₂(p_B)

衡量節點的混亂程度。
值越小代表越「純」（0 = 完美分類；1 = 最混亂）。
與 Gini 相比，Entropy 在資料不均勻時對少數類更敏感。

⚠️ 過度擬合 (Overfitting)

若決策樹深度太深，它會記住每一個訓練點的位置，甚至連雜訊也記住了。
畫布上的表現：決策邊界極度碎裂，出現大量「島嶼」般的微小矩形。
解決方法：限制最大深度（剪枝）、要求最小樣本數等正則化手段。

💡 試試看：將深度滑桿調到 8~10，觀察「棋盤格」數據上的過度擬合現象！