AI › 인공지능 개요 › 머신러닝 › 알고리즘

결정 트리Decision Tree

특징 하나와 임계값 하나로 된 질문(xⱼ ≤ t)을 뿌리부터 되풀이해 데이터를 나누고, 마지막에 닿은 잎의 다수 클래스나 평균으로 예측하는 지도 학습 모델이다.

1요약

  1. 결정 트리는 지도 학습의 분류 · 회귀에서 한 특징 · 한 임계값의 질문을 되풀이해 입력 공간을 축에 평행한 직사각형 조각으로 나누는 모델로(Breiman 1984 · Quinlan 1986), 랜덤 포레스트 · 그래디언트 부스팅 같은 앙상블이 이 트리를 수백 그루 묶어 돈다.
  2. 선형 모델은 특징 사이 상호작용과 문턱 효과를 사람이 식에 넣어야 하지만, 트리는 «A 이고 B 이면»의 규칙을 데이터에서 스스로 찾는다 — 지폐 영상 데이터에서 질문 두 번(깊이 2)이면 시험 정확도 86.9%, 네 번이면 95.1% 다(UCI Banknote · 직접 실행).
  3. 「트리가 이상하다」는 끝까지 자란 깊이(과적합) · 표본마다 바뀌는 모양(분산) · 다수 클래스로 쏠린 잎 셋으로 가른다(scikit-learn 1.10 문서).

2등장 배경

1960년대 설문 분석에서는 소득 같은 결과에 나이 · 학력 · 지역이 어떻게 함께 작용하는지 보려고 상호작용 항을 회귀식에 하나씩 넣어 봤는데, 변수가 몇십 개면 조합을 다 시험할 수 없었다. 1963년 Morgan · Sonquist 는 표본을 결과 차이가 가장 큰 두 집단으로 되풀이해 나누는 자동 상호작용 탐지(AID) 를 제안했고(Morgan 1963), 1980년 Kass 는 분할 여부를 카이제곱 검정으로 정하는 CHAID 를 냈다(Kass 1980).

1984년 Breiman · Friedman · Olshen · Stone 은 이진 분할 · 회귀 트리 · 비용 복잡도 가지치기를 묶은 CART 를 정리했고(Breiman 1984), 1986년 Quinlan 은 정보 이득으로 범주형 속성을 고르는 ID3 를 발표해 C4.5 로 이었다(Quinlan 1986). 같은 시기 Hyafil · Rivest 는 가장 작은 이진 결정 트리를 찾는 문제가 NP-완전임을 보였고(Hyafil 1976), 그래서 모든 알고리즘이 한 단계씩 고르는 탐욕 방식을 쓴다.

지금 scikit-learn 의 결정 트리는 최적화한 CART 이고(scikit-learn 1.10 문서 1.10.6), 트리 한 그루보다 여러 그루를 묶은 앙상블이 표 데이터의 주력이 되면서 트리는 그 기본 단위로 남았다.

3쉽게 이해하기 — 질문 카드로 귤과 레몬을 가르는 선별장

과일 선별장의 하람은 귤 7개와 레몬 5개가 섞인 바구니를 받는다. 「지름 6 cm 이하?」와 「끝이 뾰족한가?」 두 질문 카드를 대 보니, 뾰족한 쪽에는 레몬 4개만 모이고 나머지 8개에는 레몬이 1개뿐이라 뒤 카드가 더 깨끗하게 가른다. 남은 8개에 다시 「지름 6 cm 이하?」를 묻자 귤 7개와 레몬 1개로 갈렸지만, 하람은 과일 한 개만 가르는 질문은 다음 바구니에서 틀리기 쉽다며 그 카드를 잘라 낸다. 새 과일이 들어오면 남은 질문 순서표를 위에서부터 물어 상자를 정한다.

하람의 과일 선별 질문 카드를 골라 차례로 묻는다 과일 바구니 12개 귤 7 · 레몬 5 끝이 뾰족한가? 섞임이 가장 크게 주는 카드 예 레몬 상자 4개 · 모두 레몬 아니오 지름 6 cm 이하? 남은 8개 · 귤 7 · 레몬 1 아니오 레몬 1개 잘라 내 귤 상자로 예 귤 상자 7개 · 모두 귤 새 과일 판정 뾰족 아님 · 작음 → 귤 1 2 3 4 5 6 질문은 위에서 아래로 · 한 번에 하나의 성질만 묻는다 1 과일 바구니 학습 데이터(특징 · 레이블) 2 질문 카드 분할 규칙 xⱼ ≤ t 3 섞임 비교 · 다시 묻기 불순도(Gini) 감소 4 이름 붙인 상자 잎 · 다수 클래스 5 카드 잘라 내기 가지치기(과적합 줄임) 6 새 과일 판정 예측(뿌리 → 잎) 데이터 질문 규칙 상자(예측) 잘라 낸 가지 사람

그림 1 · 섞임을 가장 크게 줄이는 질문부터 골라 바구니를 나누고, 과일 한 개만 가르는 질문은 잘라 낸 질문 순서표가 새 과일의 상자를 정한다.

바구니 받기귤 7 · 레몬 5
카드 대 보기섞임이 가장 주는 카드
둘로 나누기뾰족 4 · 나머지 8
다시 묻기남은 더미마다
카드 잘라 내기한 개만 가르는 질문
새 과일 판정위에서부터 물음
비유 — 두 질문 카드의 섞임 비교 실제 — 불순도 감소가 큰 분할 A 지름 6 cm 이하? 예 6개아니오 6개 섞임 0.278섞임 0.444 가중 평균 0.361 · 줄어든 섞임 0.125 B 끝이 뾰족한가? 예 4개아니오 8개 섞임 0섞임 0.219 가중 평균 0.146 · 줄어든 섞임 0.340 뿌리 불순도 H = 1 − Σ p² p = 귤 7/12 · 레몬 5/12 H = 0.486 분할 뒤 G = (n_L/n)·H_L + (n_R/n)·H_R A = (6/12)·0.278 + (6/12)·0.444 = 0.361 B = (4/12)·0 + (8/12)·0.219 = 0.146 감소 = H − G A 0.125 < B 0.340 → B 를 고름 특징마다 모든 임계값 후보를 같은 식으로 잰다 귤 레몬 굵은 테두리 = 고른 질문 섞임 = Gini 불순도

그림 2 · 두 질문 가운데 나눈 뒤 섞임의 가중 평균이 더 낮은 쪽(0.146)을 고르며, 그만큼 줄어든 섞임(0.340)이 질문의 점수다.

비유 속 역할실제 이름실제로 하는 일
과일 바구니학습 데이터특징(크기 · 모양)과 레이블(귤 · 레몬)을 가진 표본 n개
질문 카드분할 규칙 (j, t)특징 xⱼ 가 임계값 t 이하인지 묻는 이진 질문
섞임 비교불순도 감소나눈 뒤 Gini · 엔트로피의 가중 평균이 가장 낮은 질문을 고름
둘로 나눈 더미자식 노드질문의 예 · 아니오로 갈린 표본 묶음 · 여기서 다시 질문
이름 붙인 상자잎 노드다수 클래스(분류) · 평균(회귀)이 예측값
잘라 낸 카드가지치기학습 불순도가 조금 늘더라도 잎 수를 줄임
새 과일예측뿌리에서 잎까지 질문을 따라 내려감 · 질문 수 = 깊이
하람학습 알고리즘(CART)후보 질문을 전부 재 보고 지금 가장 좋은 하나를 고름

⚠ 비유가 맞지 않는 곳: 하람은 질문을 경험으로 떠올리지만 알고리즘은 특징마다 정렬된 값 사이 중간값을 전부 후보로 재고, 지금 단계의 최선만 고르므로 두 단계 뒤까지 본 최선은 보장하지 않는다. 한 질문은 특징 하나만 보므로 «길이 ÷ 폭»처럼 두 특징을 섞은 기준은 질문 여러 개를 쌓아야 흉내 낸다.

4구조 — 노드 · 분할 기준 · 정지 조건 · 가지치기

학습 데이터 n × 특징 · 레이블 y 뿌리 노드 · xⱼ ≤ t ? 불순도를 가장 줄이는 (j, t) 예(≤ t) 아니오(> t) 내부 노드 다른 (j′, t′) 로 다시 분할 잎 다수 클래스 · 클래스 비율 잎 회귀면 평균 잎 predict_proba 가지치기 α 가 크면 점선 안을 잎 하나로 합침 깊이 0 깊이 1 깊이 2 트리 모양을 정하는 설정 셋 분할 기준(불순도) Gini · 엔트로피 · MSE 정지 조건 max_depth · min_samples_leaf 가지치기 R(T) + α × 잎 수 입력 데이터 분할 노드(규칙) 잎(예측) 가지치기 대상 가지 설정

그림 3 · 트리는 분할 규칙을 가진 노드와 예측값을 가진 잎으로 이뤄지고, 모양은 분할 기준 · 정지 조건 · 가지치기 세 설정이 정한다.

요소크기역할값 · 근거
노드 데이터 Qₘ노드 m 의 표본 nₘ 개분할할 대상 · 뿌리 = 학습 표본 전체scikit-learn 1.10 문서 1.10.7
분할 θ = (j, t)특징 1개 · 임계값 1개xⱼ ≤ t 이면 왼쪽 자식후보 = 정렬된 서로 다른 값 사이 중간값(1.10.7)
불순도 H노드마다 값 하나Gini Σpₖ(1 − pₖ) · 엔트로피 −Σpₖ log pₖ · 회귀 = MSE기본 gini(DecisionTreeClassifier 문서)
분할 품질 G후보마다 값 하나(n_L/nₘ)H_L + (n_R/nₘ)H_R · 가장 작은 후보를 고름1.10.7
정지 조건설정 값max_depth · min_samples_split · min_samples_leaf기본 None · 2 · 1 = 끝까지 자람(DecisionTreeClassifier 문서)
가지치기 α0 이상 실수R_α(T) = R(T) + α × 잎 수 · 가장 약한 고리부터 자름기본 ccp_alpha 0.0(1.10.9)
잎잎마다 클래스 비율다수 클래스 · 클래스 비율 = predict_proba · 회귀 = 평균1.10.1 · 1.10.7.2

학습은 노드마다 특징별 정렬과 후보 훑기를 해 비용이 O(특징 수 × nₘ log nₘ) 이고, 예측은 깊이만큼 비교만 하면 된다(scikit-learn 1.10 문서 1.10.4). 엔트로피 기준으로 나누는 것은 잎의 클래스 비율로 잰 로그 손실을 줄이는 것과 같다(1.10.7.1).

🔑 트리는 한 번 고른 분할을 되돌리지 않는다 — 뿌리 분할이 표본 몇 개 때문에 바뀌면 그 아래 모든 노드가 다른 데이터를 받아 트리 전체가 달라진다.

5동작 — 지폐 영상 1,372장으로 CART 한 번

UCI Banknote 로 직접 실행한 사례다 — 진폐 · 위폐 모양 시편을 산업용 카메라로 400 × 400 화소로 찍고, 웨이블릿 변환 영상에서 뽑은 variance · skewness · curtosis · entropy 넷이 특징이며 클래스는 0 · 1 이다(UCI Banknote). CART 를 NumPy 로 구현했고 기준은 Gini, 난수는 시드 0 하나다.

  1. 데이터 — 1,372장을 시드 0 으로 섞어 학습 960장 · 시험 412장으로 나눈다 · 학습 쪽 클래스 0 은 529장, 1 은 431장이다.
  2. 뿌리 불순도 — Gini = 1 − (529/960)² − (431/960)² = 0.4948 이다.
  3. 분할 탐색 — 네 특징의 모든 중간값을 재면 특징별 최대 감소는 variance 0.2471 · skewness 0.1128 · curtosis 0.0434 · entropy 0.0037 이고, variance ≤ −0.218 이 뿌리 분할이 된다(왼쪽 412장 · 오른쪽 548장).
  4. 둘째 분할 — 왼쪽은 skewness ≤ 9.308 로 373장(클래스 1 이 351장) · 39장(클래스 0 이 38장)으로, 오른쪽은 variance ≤ 1.791 로 211장 · 337장으로 나뉜다 · 깊이 2 에서 학습 89.4% · 시험 86.9% 다.
  5. 끝까지 성장 — 기본값처럼 잎이 순수해질 때까지 키우면 깊이 7 · 잎 23 · 학습 100% · 시험 98.06% 다.
  6. 가지치기 경로 — 유효 α 가 가장 작은 가지부터 잘라 잎 23 → 21(α 0.00103) → … → 8(α 0.0106) → 2(α 0.0616) → 1 까지 15개의 하위 트리가 나온다.
  7. α 고르기 — 학습 960장 안에서 5겹 교차 검증을 하면 최고 98.96% 를 내는 가장 큰 α 가 0.00205 이고, 이때 잎 18 · 깊이 6 · 시험 97.82% 다.
variance ≤ −0.218 n 960 · [529, 431] · Gini 0.495 2 예 감소 0.247 3 아니오 skewness ≤ 9.308 n 412 · [60, 352] · Gini 0.249 variance ≤ 1.791 n 548 · [469, 79] · Gini 0.247 4 예아니오 예아니오 n 373 · [22, 351] → 클래스 1 · Gini 0.111 n 39 · [38, 1] → 클래스 0 · Gini 0.050 n 211 · [136, 75] → 클래스 0 · Gini 0.458 n 337 · [333, 4] → 클래스 0 · Gini 0.024 이 그림(깊이 2) — 잎 4 · 학습 89.4% · 시험 86.9% 5 끝까지 키우면 깊이 7 · 잎 23 · 학습 100% · 시험 98.06% 분할 노드 잎(예측) 아직 섞인 잎 [a, b] = 클래스 0 · 1 표본 수(학습 960장)

그림 4 · 뿌리는 variance ≤ −0.218 로 960장을 412 · 548장으로 나누고, 깊이 2 에서 잎 넷 가운데 211장 잎만 Gini 0.458 로 아직 섞여 있다.

variance 임계값 후보 skewness 임계값 후보 00.10.2 00.10.2 −6−3036 −10−50510 임계값 t임계값 t Gini 감소Gini 감소 모든 후보의 최대 0.247 t = −0.218 · 0.247 3 t = 5.161 · 0.113 curtosis 최대 0.043(t 8.839) · entropy 최대 0.004(t 1.550) — 네 특징 × 모든 중간값 가운데 variance −0.218 이 뿌리 분할 Gini 감소 곡선(분할 품질) 고른 분할 특징 안 최대(고르지 않음) 모든 후보 최대값

그림 5 · 같은 960장에서 임계값을 옮기며 잰 Gini 감소는 variance −0.218 에서 0.247 로 가장 크고, skewness 의 최대 0.113 을 크게 앞서 뿌리 분할이 된다.

0.800.850.900.951.00 1510152023 잎 수(가지치기 경로)정확도 잎 1 = 55.1% · 56.6%(축 밖) 5 6 7 5 α 0 · 잎 23 · 깊이 7 학습 100% · 시험 98.06% 6 α 0.0106 · 잎 8 학습 96.46% · 시험 94.90% 6 α 0.0616 · 잎 2 학습 85.52% · 시험 83.74% 7 5겹 교차 검증 · α 0.00205 잎 18 · 학습 99.69% · 시험 97.82% R_α(T) = R(T) + α × 잎 수 α 가 커질수록 약한 가지부터 잘림 학습 정확도(960장) 시험 정확도(412장) 교차 검증이 고른 크기

그림 6 · 잎이 줄어도 시험 정확도는 잎 12 개 근처까지 97 ~ 98% 에 머물고, 그 아래에서 학습 · 시험이 함께 떨어진다 — 교차 검증은 잎 18 을 고른다.

시드 0 ~ 9 로 분할을 바꿔 되풀이하면 뿌리는 언제나 variance 였지만 임계값은 −0.218 ~ 0.705 로 움직였고, 끝까지 자란 잎 18 ~ 27개가 가지치기 뒤 12 ~ 22개(19 ~ 43% 줄임)가 되는 동안 시험 정확도 차이는 −1.2 ~ +0.7%p 였다(직접 실행).

🔑 이 데이터에서 가지치기가 줄인 것은 시험 오류가 아니라 잎 수다 — 잎 23 → 18 에서 시험 정확도는 0.24%p 만 바뀌어, 같은 성능을 더 작은 규칙 집합으로 낸다.

6비교 — ID3 · C4.5 · CART · CHAID

기준ID3C4.5CARTCHAID
분할 기준정보 이득(엔트로피)이득 비율(값이 많은 속성 치우침 보정)Gini(분류) · 제곱 오차(회귀)카이제곱 검정의 유의 확률
가지 수범주 수만큼 다중 분기범주형 다중 · 연속형 구간언제나 이진다중(비슷한 범주를 합침)
연속형 특징직접 다루지 않음구간으로 나눠 씀정렬 값 사이 임계값미리 구간으로 나눔
목표분류분류분류 · 회귀분류 중심
크기 조절최대로 키운 뒤 가지치기를 붙이는 것이 보통규칙으로 바꾼 뒤 조건을 지움비용 복잡도 가지치기(α)검정이 유의하지 않으면 멈춤
근거Quinlan 1986 · scikit-learn 1.10.6scikit-learn 1.10.6Breiman 1984 · 1.10.9Kass 1980

분석회귀도 해야 하거나 앙상블의 기본 단위로 쓸 트리는 이진 분할 · 회귀 · 가지치기를 함께 가진 CART 를 쓰고, 범주형 설문 문항이 많아 분기 하나에 여러 범주를 나란히 보여야 하면 CHAID · C4.5 를 고른다. 근거는 표의 「가지 수」 · 「목표」 행이며, 오늘 널리 쓰는 scikit-learn 구현도 CART 다(scikit-learn 1.10.6).

선형 회귀 · 로지스틱 회귀와의 비교는 선형 회귀의 표가, 트리 여러 그루를 묶어 분산을 줄이는 방식은 앙상블이 맡는다.

7실무 진단 — 결정 트리의 문제 가르기

분석학습 · 시험 정확도 차이와 트리 크기부터 보고, 다음에 시드를 바꿔 모양이 흔들리는지, 마지막으로 클래스 비율 · 예측 범위를 본다. 끝까지 자란 트리는 기본값에서 생기는 가장 흔한 문제이고(DecisionTreeClassifier 문서), 크기를 잡아야 그 뒤의 안정성 · 치우침 점검이 같은 모델 위에서 이뤄지기 때문이다.

#증상의심 원인단계확인 자료판정 기준(근거)
1학습 100% · 시험이 그보다 낮음 · 잎 수가 표본에 가까움끝까지 자란 트리(과적합)학습 설정깊이 · 잎 수 · ccp_alpha 경로 · 교차 검증 점수기본값 그대로면 끝까지 자람(DecisionTreeClassifier 문서) · max_depth 3 부터 키움(scikit-learn 1.10.5) · 사례 잎 23 → 18
2표본을 조금 바꾸면 분할 특징 · 임계값 · 잎 수가 바뀜높은 분산(불안정)모델시드별 뿌리 분할 · 잎 수 · 시험 정확도 범위작은 변화로 전혀 다른 트리가 나옴(scikit-learn 1.10 문서) · 사례 임계값 −0.218 ~ 0.705 · 안정이 필요하면 앙상블
3소수 클래스를 거의 맞히지 못함다수 클래스로 쏠린 잎데이터잎별 클래스 비율 · 클래스별 재현율학습 전 클래스 균형 · class_weight 또는 표본 가중치(scikit-learn 1.10.5)
4회귀 예측이 계단 모양 · 학습 범위 밖에서 일정조각별 상수 예측출력학습 목표 범위 · 잎 값 목록외삽을 못 함(scikit-learn 1.10 문서) · 추세가 있으면 선형 회귀와 견줌
5XOR 꼴 관계에서 첫 분할이 거의 무작위한 특징씩 보는 탐욕 분할알고리즘특징별 최대 불순도 감소패리티 · XOR 은 표현이 어려움 · 특징 조합을 새 특징으로 만듦(scikit-learn 1.10 문서)

사례는 1행(잎 23)과 2행(임계값 흔들림)이 보이고, 클래스 비율이 529 : 431 로 고른 편이라 3행은 해당하지 않는다.

8시험 대비

출제 정보 정보관리(130회, 126회, 123회, 117회, 105회)문제 원문 — 큐넷 자료실 「기출문제(기술사)」 www.q-net.or.kr

시험에서는 노드 · 분할 기준 · 가지치기를 묻는 정의 · 특징형, ID3 · C4.5 · CART 를 «분할 기준 · 가지 수 · 목표»로 가르는 비교형이 나올 수 있다. 정의형은 Gini · 엔트로피 식 하나와 작은 분할 계산을, 비교형은 알고리즘 표와 «언제 무엇을» 한 줄을 넣는다.

답안 목차
  1. 개요 — 정의(한 특징 · 한 임계값 질문의 반복) · 분류 · 회귀 · 앙상블의 기본 단위
  2. 구조 — 그림 3 뿌리 · 내부 노드 · 잎 + 분할 기준 · 정지 조건 · 가지치기 표
  3. 분할 원리 — Gini · 엔트로피 식 · 분할 품질 G · 그림 5 임계값별 감소 곡선(variance −0.218 · 0.247)
  4. 학습 사례 — 그림 4 깊이 2 트리(960 → 412 · 548) · 깊이별 정확도
  5. 가지치기 — R_α(T) · 가장 약한 고리 · 그림 6 잎 수 대 정확도 · 교차 검증 α 0.00205
  6. 비교와 한계 — ID3 · C4.5 · CART · CHAID 표 · 불안정 · 외삽 불가 → 앙상블

꼭 쓸 키워드
불순도지니 계수엔트로피정보 이득이득 비율이진 분할비용 복잡도 가지치기가장 약한 고리최대 깊이탐욕 알고리즘

다른 답안과 차이를 내는 한 가지는 그림 5 처럼 «한 특징의 임계값을 옮기며 잰 불순도 감소 곡선»으로 분할이 고르는 과정을 숫자로 보이는 것이다 — 최적 트리가 NP-완전이라 이 탐욕 선택을 쓴다는 근거(Hyafil 1976)를 한 줄 붙인다.

9오해와 사실

  • 오해엔트로피 기준이 Gini 기준보다 늘 더 좋은 트리를 만든다.
    사실사례 뿌리에서 두 기준은 같은 분할 variance ≤ −0.218 을 골랐다(Gini 감소 0.247 · 정보 이득 0.396 bit · 직접 실행) — 엔트로피 기준은 잎 비율로 잰 로그 손실을 줄이는 것과 같다(scikit-learn 1.10.7.1).
  • 오해결정 트리도 특징을 표준화해야 한다.
    사실분할은 한 특징 안 값의 순서만 쓰므로 정규화 · 더미 변수 같은 준비가 거의 필요 없다(scikit-learn 1.10 문서) — 단조 증가 변환을 해도 같은 표본 묶음이 나온다.
  • 오해트리가 고른 분할 특징이 결과의 원인이다.
    사실분할 특징은 예측에 쓴 근거이지 인과 증거가 아니다 — 같은 데이터도 시드에 따라 뿌리 임계값이 −0.218 ~ 0.705 로 바뀌었다(직접 실행 · 시드 0 ~ 9).

10핵심 정리

구분맡는 일식 · 설정사례 값(지폐 960장)흔한 실패
분할 규칙표본을 둘로 나눔xⱼ ≤ t · 중간값 후보 전수뿌리 variance ≤ −0.218후보를 일부만 봄
Gini 불순도섞임을 잼Σpₖ(1 − pₖ)뿌리 0.4948감소가 아닌 값 자체로 비교
분할 품질 G후보 고르기(n_L/n)H_L + (n_R/n)H_R감소 0.2471 · skewness 0.1128표본 수 가중을 빼먹음
정지 조건크기 상한max_depth · min_samples_leaf기본값 → 깊이 7 · 잎 23기본값을 그대로 둠
가지치기 α약한 가지 제거R(T) + α × 잎 수α 0.00205 → 잎 18α 를 시험 데이터로 고름
잎예측값다수 클래스 · 비율 · 평균[333, 4] → 클래스 0범위 밖 회귀 외삽
불안정표본에 민감시드별 비교임계값 −0.218 ~ 0.705트리 하나로 원인 해석

11참고 문헌

  1. 먼저 볼 문헌
  2. ★ scikit-learn 1.9.1 User Guide 1.10 Decision Trees — 분할 품질 식(1.10.7) · 비용 복잡도 가지치기(1.10.9) · 장단점과 실무 팁을 볼 때
    scikit-learn developers · 2026-11 · scikit-learn.org/stable/modules/tree.html · 확인 2026-11-12
  3. ★ scikit-learn 1.9.1 API Reference - sklearn.tree.DecisionTreeClassifier — 기본값(gini · max_depth None · min_samples_leaf 1 · ccp_alpha 0.0)을 확인할 때
    scikit-learn developers · 2026-11 · scikit-learn.org/stable/modules/generated/sklearn.tree.DecisionTreeClassifier.html · 확인 2026-11-12
  4. ★ Banknote Authentication (UCI Machine Learning Repository · DOI 10.24432/C55P57 · CC BY 4.0) — 사례 데이터 1,372장 · 특징 4개를 내려받아 따라 해 볼 때
    UCI Machine Learning Repository · 2013-04 · archive.ics.uci.edu/dataset/267/banknote+authentication · 확인 2026-11-12
  5. ★ Classification and Regression Trees (Breiman · Friedman · Olshen · Stone · Wadsworth · CRC 재간) — CART 의 이진 분할 · 회귀 트리 · 비용 복잡도 가지치기 원전을 볼 때
    Wadsworth · 1984 · doi.org/10.1201/9781315139470 · 확인 2026-11-12
  6. 본문 근거
  7. Induction of Decision Trees (Machine Learning 1(1) 81-106) — Springer · 1986-03 · doi.org/10.1007/BF00116251 · 확인 2026-11-12
  8. Problems in the Analysis of Survey Data, and a Proposal (Journal of the American Statistical Association 58(302) 415-434) — American Statistical Association · 1963-06 · doi.org/10.1080/01621459.1963.10500855 · 확인 2026-11-12
  9. An Exploratory Technique for Investigating Large Quantities of Categorical Data (Journal of the Royal Statistical Society Series C 29(2) 119-127) — Royal Statistical Society · 1980 · doi.org/10.2307/2986296 · 확인 2026-11-12
  10. Constructing Optimal Binary Decision Trees is NP-complete (Information Processing Letters 5(1) 15-17) — Elsevier · 1976-05 · doi.org/10.1016/0020-0190(76)90095-8 · 확인 2026-11-12