Entscheidungsbäume

Entscheidungsbäume sind Modelle, die Daten anhand von Fragen oder Bedingungen schrittweise in Teilmengen aufteilen, um Vorhersagen zu treffen. Sie eignen sich für die Klassifikation oder Regression, erfassen nichtlineare Zusammenhänge und Interaktionen zwischen Variablen und sind leicht interpretierbar. Jeder Endpunkt des Baums (Blattknoten) liefert eine Vorhersage, basierend auf den Trainingsdaten in diesem Knoten. (vgl. Andrae 2023, S. 13 ff.)

Beispiel: Ein Entscheidungsbaum könnte in einer Bank eingesetzt werden, um die Kreditwürdigkeit von Kunden vorherzusagen. Zunächst prüft der Baum, ob das Einkommen über 50.000 € liegt, dann, ob die Person Schulden hat, und anschließend, wie viele Jahre sie im aktuellen Job arbeitet. Anhand dieser Abfragen teilt der Baum die Kunden in Gruppen auf, sodass am Ende in jedem Blattknoten steht, ob ein Kredit genehmigt wird oder nicht.

Andrae, S. (2023): Ökonometrie und maschinelles Lernen. Basiswissen für Ökonomen. Wiesbaden: Springer Gabler