의사 결정 트리는 무엇이며 어떻게 만듭니까?

의사 결정 트리란 무엇입니까?

의사 결정 트리는 의사 결정의 다양한 선택 및 가능한 결과를 보여주는 거꾸로 된 트리 모양의 다이어그램입니다. 기본적으로 의사 결정을 위한 가이드로, 길의 각 포크는 내려야 할 선택을 나타냅니다.

모든 의사 결정 트리에는 세 가지 주요 부분이 있습니다.

• 노드: 의사 결정을 내리거나 결과를 보여주는 지점입니다.
• 브랜치: 노드를 연결하고 가능한 선택 또는 결과를 나타냅니다.
• 잎: 이것이 각 경로의 끝에 있는 최종 결과입니다.

이 간단한 구조를 통해 복잡한 의사 결정을 더 쉽게 이해하고 소통할 수 있습니다. 복잡한 알고리즘 또는 빽빽한 스프레드시트와 달리 의사 결정 트리는 거의 누구나 따를 수 있는 방식으로 생각 프로세스를 보여줍니다.

의사 결정 트리를 만드는 방법

효과적인 의사 결정 트리를 만들려면 다섯 가지 주요 단계가 필요합니다. 전문 소프트웨어를 사용하든 손으로 그림을 그리든, 이 프로세스를 따르면 의사 결정을 진정으로 개선하는 의사 결정 트리를 만들 수 있습니다.

문제 및 목표 정의

어떤 의사 결정을 내려야 하는지 식별합니다. 고객 행동을 예측하려고 합니까? 문제를 진단합니까? 투자 옵션 중 하나를 선택합니까?

다음에 대해 구체적으로 정합니다.

• 어떤 질문에 대답하려고 하는가?
• 목표 변수(예측 또는 결정하려는 것)는 무엇인가?
• 이 결과에 영향을 줄 수 있는 의견은 무엇인가?

이 명확성은 의사 결정 트리가 올바른 문제를 다루도록 보장합니다. 브레인스토밍 세션 중에 팀은 서로 다른 문제를 해결하고 있다는 것을 깨닫게 되는 경우가 많습니다. 의사 결정 트리를 사용하면 모두가 정확히 어떤 질문에 답해야 하는지에 정렬하게 됩니다.

데이터 수집 및 준비

효과적인 의사 결정을 위해서는 좋은 데이터가 필요합니다. 다음과 같은 정보를 수집하세요.

• 의사 결정과 관련이 있는 정보
• 최대한 완전한 정보
• 정확한 최신 정보
  

누락된 값을 처리하고 오류를 수정하고 일관적으로 형식을 지정하여 데이터를 정리하세요. 범주형 변수(예: 색상 또는 고객 유형)를 숫자로 인코딩해야 할 수도 있습니다. 의사 결정 트리의 품질은 데이터의 품질과 직접적으로 연결되어 있습니다.

많은 팀은 지식 공유 플랫폼을 사용하여 이 정보를 수집하고 체계화하며 여러 부서의 의견이 필요할 때 더욱 그렇습니다.

분할할 가장 좋은 기능 선택

바로 이 경우에 과학적인 접근이 필요합니다. 데이터를 의미 있는 그룹으로 가장 효과적으로 구분할 요소를 결정해야 합니다.

의사 결정 트리 알고리즘은 다음과 같은 측정값을 사용합니다.

• 지니 불순도: 무작위로 선택한 요소가 얼마나 자주 레이블이 잘못 지정되는지 측정
• 정보 획득: 특정 기능을 분할하여 불확실성이 얼마나 감소하는지 계산
• 카이제곱 검정: 범주형 변수 간에 유의미한 관계가 있는지 확인

목표는 결과를 가장 명확하게 구분하는 분할을 찾는 것입니다. DACI 프레임워크와 같은 도구를 사용하면 팀이 주요 의사 결정에 영향을 주는 요소를 평가할 수 있습니다.

데이터 세트 분할

최고의 기능을 찾았으면 해당 기능의 값을 기준으로 데이터를 나누세요. 분할마다 명확한 의사 결정에 더 가까워질 것입니다.

의사 결정 트리의 예를 살펴보겠습니다. 우선 순위를 지정할 프로젝트를 결정하고 가장 중요한 요소가 비즈니스 영향이라고 판단한 경우 영향 수준에 따라 프로젝트를 그룹으로 분할할 수 있습니다.

• 높은 영향(전략적 목표)
• 중간 영향(운영 개선)
• 낮은 영향(있으면 좋은 기능)

브랜치마다 프로젝트 우선 순위에 대한 의사 결정에 더 가까워질 것입니다. 효과적인 프로세스 매핑으로 이 분할이 의사 결정을 향한 다양한 경로를 만들어내는 방법을 시각화할 수 있습니다.

프로세스 반복

데이터의 해당 하위 집합에 사용할 수 있는 최상의 기능을 사용하여 각 브랜치를 계속 분할하세요. 다음과 같은 정지 조건에 도달할 때까지 계속하세요.

• 최대 트리 깊이에 도달함
• 노드의 모든 샘플이 같은 클래스에 속함
• 더 이상 분할해도 결과가 크게 개선되지 않음
• 잎당 최소 샘플 수에 도달함

트리가 깊을수록 더 복잡하고 잠재적으로 과적합하다는 것을 기억하세요. 가장 좋은 결과를 위해 세부 사항 및 일반화 정도 간의 균형을 유지하세요.