В каких случаях использовать деревья решений? 🎄

Само по себе дерево решений принято считать слабым алгоритмом. Да, благодаря своей иерархической структуре мы можем как бы воссоздать if-else, отойти от линейных закономерностей и посмотреть чуть дальше, но Decision Tree обладает главным недостатком - overfiiting. И даже если, мы попытаемся сделать дерево чуть меньшей глубины, то оно перестанет улавливать сложные зависимости, а если глубоким (так как хотим учесть многие нюансы), то оно через чур подгонится под обучающую выборку и не будет обладать обобщающей способностью.

📌Из этого можно отметить следующие моменты, в которых как раз таки дерево решений подойдет:
- Для образовательных целей, когда есть небольшой датасет
- Когда важна интерпретация модели (только так и больше никак), когда бизнесу понятна иерархия
- И все 🙃

Как правило спектр применения Decesion Tree очень ограничен, НО знание как такой алгоритм устроен изнутри, даст вам огромное понимание других алгоритмов на основании деревьев.