Lernende Entscheidungsbäume sind eine seit Jahrzehnten etablierte Methode für Klassifikations- und Regressionsprobleme. Einzelne Entscheidungsbäume werden als Disjunktion von Konjunktionen repräsentiert, sodass die einzelnen Pfade leicht nachvollziehbar sind, die zu einer Entscheidung führen. Durch den Einsatz von Random Forests oder Gradient Boosted Trees können Entscheidungsbäume auch mit anderen modernen Verfahren mithalten, wenngleich diese nicht mehr die außerordentliche Erklärbarkeit einzelner Bäume bieten.
Vor Kurzem veröffentlichte ich einen Artikel über Entscheidungsbäume als Open-Access-Publikation. Im Internet existieren viele ausgezeichnete Materialien wie zum Beispiel dieser interaktive Artikel von MLU-Explain. Entscheidungsbäume haben überraschend vielseitige Einsatzgebiete, von bekannten Anwendungen wie Klassifikation und Regression bis zu Anomalie-Erkennung. Entscheidungsbäume sind grundsätzlich sehr gut erklärbar, was in vielen Anwendungen eine erwünschte Eigenschaft ist. Ein innovatives kreisförmiges Design von Entscheidungsbäumen findet sich auf Observable.