決策樹 vs 模型剪枝
Decision Tree vs Pruning
決策樹 側重 決策樹是一種透過 if-else 條件判斷，將資料逐步拆解為更純粹子集的模型，具備高度可解釋性，而 模型剪枝 側重 模型剪枝是一種減少模型大小和計算複雜度的技術，透過移除模型中不重要的權重或神經元來實現。。
逐項比較
| 項目 | 決策樹 | 模型剪枝 |
|---|---|---|
| 一句定義 | 決策樹是一種透過 if-else 條件判斷，將資料逐步拆解為更純粹子集的模型，具備高度可解釋性 | 模型剪枝是一種減少模型大小和計算複雜度的技術，透過移除模型中不重要的權重或神經元來實現。 |
| 比喻 | 決策樹就像玩「二十個問題」遊戲 -- 它會根據一系列的「是」或「否」問題（條件判斷），一步步縮小範圍，最終找到答案或分類。 | 模型剪枝就像修剪一棵過於茂盛的樹 -- 為了讓樹長得更好、更有效率，我們會把那些枯枝爛葉或是不必要的小枝條剪掉（不重要的權重或神經元），讓養分集中到主幹和重要的枝條上，這樣樹看起來更精實，也更容易照顧。 |
| 常見標籤 | 機器學習、模型訓練、特徵工程、AI基礎 | 機器學習、深度學習、模型部署、最佳化、神經網路、AI應用、MLOps |
| iPAS 關聯度 | 未知 | 未知 |
| 考生最常問 | 決策樹如何處理缺失值？ | 剪枝會不會讓模型準度暴跌？ |