---
title: "決策樹（Decision Tree）"
slug: decision-tree
language: zh-TW
source: https://aiterms.tw/terms/decision-tree
updated_at: 2026-04-29
tags: [機器學習, 模型訓練, 特徵工程, AI基礎]
ipas_term: false
---

# 決策樹（Decision Tree）

> **你有沒有在你想看模型怎麼一層層做決定時，還在想這件事到底該怎麼看？**
>
> 把它想成一張一路問是或不是的流程圖。
> 它會根據特徵條件一路分裂資料，最後得到不同結果。
> 因為規則直觀，所以常被拿來做解釋和入門教學。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆
> **random-forest**
> vs 類神經網路：決策樹像流程圖，判斷過程透明可解釋，你清楚知道每個判斷步驟；類神經網路像黑箱，雖然準確但你不知道它內部怎麼做出決策。
> **常見混淆：決策樹 vs random-forest**
> 單棵樹好解釋，隨機森林把很多棵樹集成在一起更穩。

### 記住這句就好
> 一路問條件，一路往下分。

### 實際案例
> **貸款審核**
> 先看收入，再看負債，再看還款紀錄，最後給出不同分支結果。
> **客戶流失預測**
> 根據使用頻率、客服紀錄和付款狀況分成不同風險群。

### 算法與應用
> 1. 決策樹的分裂通常會根據資訊增益或 Gini 不純度來選特徵。
> 2. 樹太深容易過擬合，所以常要做剪枝。
> 3. 它可解釋性高，但單棵樹的穩定度通常不如集成方法。

### 情境判斷
> **Q1：如果你想用很直觀的方式描述模型決策，哪種模型很適合？**
> → 決策樹很適合，因為每一步都看得見。
> **Q2：樹越深就一定越好嗎？**
> → 不一定，太深容易記住訓練資料，反而過擬合。

### 常見問題
> **Q：決策樹如何處理缺失值？**
> 決策樹可以透過多種方式處理缺失值，例如忽略包含缺失值的樣本，或使用其他樣本的值進行填補。更進階的方法是在選擇最佳特徵時，考慮缺失值對信息增益或 Gini 不純度的影響，並將缺失值作為一個單獨的分支進行處理。
> **Q：決策樹有哪些常見的剪枝策略？**
> 決策樹的剪枝策略可以分為預剪枝 (Pre-pruning) 和後剪枝 (Post-pruning) 兩種。預剪枝是在樹的生長過程中，提前停止樹的生長，例如設定最大樹深度或最小樣本數。後剪枝是在樹完全生長完成後，自底向上地刪除一些節點，例如使用驗證集進行評估，刪除能夠提高泛化能力的節點。
> **Q：隨機森林 (Random Forest) 和決策樹有什麼關係？**
> 隨機森林是一種集成學習演算法，它由多棵決策樹組成。每棵決策樹都是在原始資料的一個隨機子集上訓練的，並且在選擇最佳特徵時，只考慮一部分特徵。隨機森林透過集成多棵決策樹的預測結果，可以有效降低過擬合風險，提高模型的準確率和泛化能力。

### 相關術語
> - **機器學習**：看完這個後，再回來看 決策樹 會更容易把脈絡接起來。
> - **監督式學習**：看完這個後，再回來看 決策樹 會更容易把脈絡接起來。
> - **隨機森林**：看完這個後，再回來看 決策樹 會更容易把脈絡接起來。
> - **可解釋人工智慧**：看完這個後，再回來看 決策樹 會更容易把脈絡接起來。
> - **交叉驗證**：看完這個後，再回來看 決策樹 會更容易把脈絡接起來。

---

來源：https://aiterms.tw/terms/decision-tree
快查頁：https://aiterms.tw/terms/decision-tree
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-decision-tree