결정 트리(Decision Tree)의 장점과 단점

머신러닝에서 결정 트리(Decision Tree) 는 가장 직관적이고 이해하기 쉬운 알고리즘 중 하나입니다.
이 글에서는 결정 트리가 무엇인지 간단히 살펴보고, 장점과 단점을 중심으로 정리해보겠습니다.

---

1. 결정 트리란 무엇인가요?

결정 트리는 질문을 하나씩 던지며 데이터를 분류하거나 예측하는 모델입니다.
사람이 의사결정을 내리는 방식과 매우 유사하게 동작합니다.

예를 들어,

• 나이가 30세를 넘었는가?
• 피자를 많이 먹는가?
• 아침에 운동을 하는가?

와 같은 질문을 기준으로 데이터를 계속 나누며 최종 결론에 도달합니다.

---

2. 결정 트리의 장점

① 이해와 해석이 매우 쉽다

결정 트리는 시각적으로 구조를 확인할 수 있어 직관적입니다.
트리 구조를 따라가면 “왜 이런 예측이 나왔는지”를 쉽게 설명할 수 있습니다.

비즈니스 보고서, 설명이 중요한 모델에 매우 적합합니다.

 

② 데이터 전처리가 많이 필요하지 않다

• 스케일링(Standardization)
• 정규화(Normalization)

와 같은 작업이 거의 필요 없습니다.

또한 숫자형 변수와 범주형 변수를 함께 사용할 수 있습니다.

 

③ 비선형 관계도 잘 학습한다

결정 트리는 선형 모델과 달리
복잡한 비선형 관계도 자연스럽게 학습할 수 있습니다.

 

④ 분류와 회귀 모두 가능하다

• 분류 문제 (예: 가입 여부 예측)
• 회귀 문제 (예: 가격 예측)

모두에 사용할 수 있어 활용 범위가 넓습니다.

 

---

3. 결정 트리의 단점

① 과적합(Overfitting)에 매우 취약하다

결정 트리는 데이터를 계속 나누다 보면
훈련 데이터에 지나치게 맞춰지는 문제가 발생합니다.

 

해결 방법:

• 최대 깊이(max_depth) 제한
• 최소 샘플 수(min_samples_leaf) 설정
• 가지치기(Pruning)

 

② 데이터의 작은 변화에도 구조가 크게 변할 수 있다

훈련 데이터가 조금만 바뀌어도
트리 구조가 완전히 달라질 수 있어 모델이 불안정합니다.

 

③ 예측 성능이 최고 수준은 아니다

단일 결정 트리는
랜덤 포레스트(Random Forest), 그래디언트 부스팅(GBM) 같은
앙상블 모델보다 성능이 낮은 경우가 많습니다.

그래서 보통은

“설명용은 결정 트리, 성능용은 앙상블”
이라는 말이 자주 사용됩니다.

 

---

4. 결정 트리는 언제 사용하면 좋을까?

결정 트리는 다음과 같은 경우에 특히 유용합니다.

• 모델 결과를 명확하게 설명해야 할 때
• 머신러닝을 처음 학습할 때
• 데이터의 패턴을 탐색(EDA) 하는 단계
• 비즈니스 의사결정 근거를 제시해야 할 때

 

---

5. 정리

구분	내용
장점	해석이 쉬움, 전처리 부담 적음, 비선형 관계 학습 가능
단점	과적합 위험, 불안정성, 성능 한계
활용	설명 중심 모델, 기본 베이스라인 모델

결정 트리는 완벽한 모델은 아니지만,
머신러닝의 핵심 개념을 이해하고 비즈니스 인사이트를 도출하는 데 매우 중요한 알고리즘입니다.