Entscheidungsbäume treffen Klassifikationsentscheidungen durch eine Folge einfacher Ja/Nein-Fragen. Diese App zeigt, wie der Baum auf Trainingsdaten aufgebaut wird und wie sich Tiefe und Struktur auf die Entscheidungsgrenze auswirken.
Die App visualisiert, wie ein Entscheidungsbaum (CART – Classification and Regression Tree) aus Trainingsdaten aufgebaut wird. Der Algorithmus teilt den Merkmalsraum rekursiv in rechteckige Regionen auf — jede Teilung wird durch eine einfache Schwellenwertbedingung an einem der Merkmale bestimmt.
Die Baumstruktur wird unterhalb der Visualisierungsfläche dargestellt: Jeder Knoten zeigt die Entscheidungsregel, die dazugehörige Unreinheit (Gini-Index) und die Anzahl der Trainingsbeispiele. Die Tiefe des Baums steuert, wie fein der Merkmalsraum unterteilt wird.
Mit dem Schieberegler oben stellen Sie die maximale Tiefe des Baums ein (1–4). Ein flacher Baum trifft einfache Entscheidungen mit wenig Überanpassung; ein tiefer Baum kann komplexere Muster erfassen, neigt aber zu Overfitting.
Datenpunkte lassen sich verschieben, hinzufügen oder entfernen — der Baum wird bei jeder Änderung neu trainiert und sowohl die Entscheidungsgrenze als auch die Baumdarstellung aktualisieren sich in Echtzeit.
Interesse an KI-Visualisierungen in der Lehre?
Die VisualApps entstehen als Lehr- und Transferprojekt an der Hochschule Reutlingen und kommen in Firmentrainings und Vorträgen zum Einsatz.
Kontakt aufnehmen