Decision Tree untuk Regresi

Tidak hanya digunakan untuk klasifikasi, pohon keputusan juga dapat digunakan untuk tujuan regresi. Dalam kasus ini, pohon keputusan membagi data berdasarkan nilai numerik dan menghasilkan keluaran berupa nilai kontinu, bukan kelas diskret.

Mekanisme Kerja

Pada pohon regresi, pemisahan data dilakukan untuk meminimalkan variasi dalam setiap kelompok sehingga prediksi nilai target menjadi lebih akurat. Kriteria yang sering digunakan adalah mean squared error atau varian dari target.

Keunggulan Pohon Regresi

Decision tree untuk regresi sangat berguna ketika hubungan antara variabel input dan output bersifat non-linear. Model ini juga mudah diinterpretasikan dan dapat mengidentifikasi variabel input yang paling berpengaruh terhadap hasil.

Keterbatasan dan Solusi

Namun, pohon regresi rentan terhadap overfitting jika pohon terlalu dalam. Untuk mengatasinya, sering digunakan teknik pruning atau kombinasi dengan metode lain seperti ensemble learning.