Деревья решений - способ визуализации предсказательной модели, понятный даже ребенку

Этот пост - продолжение серии.
Первая часть - здесь
Вторая часть - здесь

В серии постов о визуализации предсказательных моделей поговорим об одном из самых наглядных инструментов — дереве решений (decision tree).

Для того, чтобы понять, как работают регрессионные предсказательные модели, необходимо приложить определенные усилия. Поэтому мы вряд ли увидим когда-нибудь график линейной или логистической функции вне страниц научной статьи или диссертации. А вот деревья решений, несмотря на то, что являются мощным, современным статистическим методом, относящимся к сложному разделу - машинному обучению, можно встретить даже в глянцевых журналах!

Все оттого, что несмотря на сложность статистических расчетов «под капотом» метода, результат вычислений - то самое «дерево» - максимально легко воспринимается и является интуитивно понятным для читателя.

Дерево решений представляет предсказательную модель в виде блок-схемы, где исходная выборка (её называют корневым узлом) делится на несколько дочерних узлов по определенному правилу. Например, по наличию сахарного диабета - есть или нет, или по возрасту - на группы 20-39, 40-59 и 60 и старше. Эти новые узлы могут также делиться на дочерние узлы уже по другим правилам… Процесс деления продолжается до окончательного решения - терминальных узлов, также называемых листьями, предсказывающих неизвестную нам характеристику: вероятность исхода или среднее значение количественного признака.

Таким образом прогнозирование или диагностика какого-либо состояния у пациента с помощью дерева решений превращается в своеобразный квиз: последовательно отвечая на вопросы мы получаем предсказание, которое соответствует комбинации ответов на эти вопросы.

Современные статистические программы делают разработку дерева решений несложной процедурой, так как способны автоматически отбирать предикторы, определять их последовательность, а также правила, по которым каждый узел разделяется на дочерние. А при необходимости можно вмешаться в работу программы и доработать алгоритм по своему усмотрению.

Деревья решений встречаются не только в научных публикациях. Их, как и другие предсказательные модели, можно патентовать как способ прогнозирования или диагностики.

В качестве примера разберем дерево решений из статьи Daniel C. Perry с соавторами в журнале The Bone & Joint Journal (2022). Оно позволяет предсказать тактику лечения болезни Пертеса у детей. В качестве предикторов используются такие условия как тугоподвижность тазобедренного сустава (stiffness) и возраст.

Как понять, потребуется ли оперативное вмешательство пациенту с болезнью Пертеса?
🔹 Если у него нет тугоподвижности, то операция выполняется только в 7% случаев.
🔹 Если выявлена тугоподвижность, тогда мы смотрим на возраст: младше 8 лет - операция выполняется в 48% случаев, от 8 лет и старше - в 74%.

В комментариях размещу ещё несколько примеров деревьев решений из серьезных статей и подросткового глянца😁

Хотите использовать дерево решений в своем исследовании?
На 21-м потоке Курса по сложным методам мы подробно разберем этот способ визуализации, научимся строить его в программе SPSS и описывать в научной статье или диссертации. Присоединяйтесь!

Посмотреть информацию о курсе и записаться можно по этой ссылке