핸즈온 머신러닝: 사이킷런과 텐서플로를 활용한 머신러닝, 딥러닝 실무

229

6

장

결정 트리

에 결정 트리는 더 분할되지 않았습니다. 하지만

max

_

depth

를

3

으로 하면 깊이

2

의 두 노드가

각각 결정 경계를 추가로 만듭니다 (점선).

그림

6-2

결정 트리의 결정 경계

꽃잎 길이

꽃잎 너비

깊이=0

깊이=1

깊이=2

모델 해석: 화이트박스와 블랙박스

여기에서 볼 수 있듯이 결정 트리는 매우 직관적이고 결정 방식을 이해하기 쉽습니다. 이런 모델

을 화이트박스

white

box

모델이라고 합니다. 반대로 앞으로 보게 될 랜덤 포레스트나 신경망은 블

랙박스

black

box

모델입니다. 이 알고리즘들은 성능이 뛰어나고 예측을 만드는 연산 과정을 쉽게

확인할 수 있습니다. 그렇지만 왜 그런 예측을 만드는지는 쉽게 설명하기 어렵습니다. 예를 들어

신경망이 어떤 사람이 사진에 있다고 판단했을 때 무엇이 이런 예측을 낳게 했는지 파악하기 매

우 어렵습니다. 모델이 그 사람의 눈을 인식한 걸까요? 아니면 입 또는 코 또는 신발일까요? 아

니면 그 사람이 앉아 있는 소파 때문일까요? 반면에 결정 트리는 필요하다면 (예를 들면 붓꽃 분

류를 위해) 수동으로 직접 따라 해볼 수도 있는 간단하고 명확한 분류 방법을 사용합니다.

6.3

클래스 확률 추정

결정 트리는 한 샘플이 특정 클래스

k

에 속할 확률을 추정할 수도 있습니다. 먼저 이 샘플에 대

해 리프 노드를 ...