update

README.md

@@ -0,0 +1,197 @@
+# Decision Tree(결정 트리)이란?
+분류 및 회귀 문제에 사용되는 지도 학습 알고리즘 중 하나이다. 
+트리 구조를 사용하여 결정을 내리거나 값을 예측한다.
+
+
+# 결정 트리의 주요 개념
+
+### 노드(Node):
+
+* Root Node
+    - 트리의 시작점. 전체 데이터 셋을 포함한다.
+* Decision Node (Internal Node)
+    - 특정 속성에 대한 결정을 내리는 노드.
+* Leaf Node (Terminal Node)
+    - 최종 결정 또는 예측 값을 포함하는 노드.
+
+
+### Branch (Edge): 
+
+* 노드 간의 연결, 결정의 결과를 나타낸다.
+
+
+
+# 작동 원리
+
+* 분할 기준 선택
+    - 데이터를 분할하기 위한 최적의 속성과 그 기준값을 선택한다. 
+    - 이를 위해 엔트로피, 지니 불순도, 정보 이득 등의 메트릭을 사용할 수 있다.
+
+* 분할
+    - 선택된 속성과 기준값을 기반으로 데이터를 두 개 이상의 하위 집합으로 분할한다.
+
+* 재귀적 분할
+    - 각 하위 집합에 대해 1과 2의 과정을 반복한다. 
+    - 이는 더 이상 분할이 가능하지 않거나 (모든 항목이 동일한 클래스에 속하거나) 미리 정의된 트리의 깊이나 노드의 최소 크기에 도달할 때까지 계속된다.
+
+
+# 장점
+* 이해하기 쉽다: 트리 구조는 시각적으로 표현하기 쉽고, 비전문가도 쉽게 이해할 수 있다.
+* 데이터 전처리가 적다: 결정 트리는 특성의 스케일링이나 정규화가 필요하지 않다.
+* 비선형 관계 처리: 결정 트리는 데이터의 비선형 관계를 잘 처리할 수 있다.
+
+
+# 단점
+* 과적합: 결정 트리는 쉽게 과적합될 수 있다. 이는 트리의 깊이를 제한하거나 가지치기(pruning)를 통해 완화될 수 있다.
+* 불안정성: 데이터의 작은 변화에도 트리의 구조가 크게 바뀔 수 있다. 이 문제는 랜덤 포레스트와 같은 앙상블 기법을 사용하여 완화될 수 있다.
+* 최적화 문제: 최적의 결정 트리를 찾는 것은 NP-완전 문제로 알려져 있다. 따라서 실제로는 근사적인 알고리즘을 사용하여 트리를 구성한다.
+
+
+---
+
+### 결정 트리 예제 코드[¶]()
+
+<details>
+<summary>Code View</summary>
+
+<div markdown="1">
+  
+```c++
+
+//Example 21-1. Creating and training a decision tree
+
+#include <opencv2/opencv.hpp>
+#include <stdio.h>
+#include <iostream>
+
+using namespace std;
+using namespace cv;
+
+void help(char **argv) {
+	cout << "\n\n"
+		<< "Using binary decision trees to learn to recognize poisonous\n"
+		<< "    from edible mushrooms based on visible attributes.\n"
+		<< "    This program demonstrates how to create and a train a \n"
+		<< "    decision tree using ml library in OpenCV.\n"
+		<< "Call:\n" << argv[0] << " <csv-file-path>\n\n"
+		<< "\nIf you don't enter a file, it defaults to agaricus-lepiota.data\n"
+		<< endl;
+}
+
+int main(int argc, char *argv[]) {
+	// If the caller gave a filename, great. Otherwise, use a default.
+	//
+	//const char *csv_file_name = argc >= 2 ? argv[1] : "../mushroom/agaricus-lepiota.data";
+	const char *csv_file_name = "agaricus-lepiota.data";
+	cout << "OpenCV Version: " << CV_VERSION << endl;
+	help(argv);
+
+	// Read in the CSV file that we were given.
+	//
+	cv::Ptr<cv::ml::TrainData> data_set =
+		cv::ml::TrainData::loadFromCSV(csv_file_name, // Input file name
+			0, // Header lines (ignore this many)
+			0, // Responses are (start) at thie column
+			1, // Inputs start at this column
+			"cat[0-22]" // All 23 columns are categorical
+		);
+	// Use defaults for delimeter (',') and missch ('?')
+	// Verify that we read in what we think.
+	//
+	int n_samples = data_set->getNSamples();
+	if (n_samples == 0) {
+		cerr << "Could not read file: " << csv_file_name << endl;
+		exit(-1);
+	}
+	else {
+		cout << "Read " << n_samples << " samples from " << csv_file_name << endl;
+	}
+
+	// Split the data, so that 90% is train data
+	//
+	data_set->setTrainTestSplitRatio(0.90, false);
+	int n_train_samples = data_set->getNTrainSamples();
+	int n_test_samples = data_set->getNTestSamples();
+	cout << "Found " << n_train_samples << " Train Samples, and "
+		<< n_test_samples << " Test Samples" << endl;
+
+	// Create a DTrees classifier.
+	//
+	cv::Ptr<cv::ml::RTrees> dtree = cv::ml::RTrees::create();
+	// set parameters
+	//
+	// These are the parameters from the old mushrooms.cpp code
+	// Set up priors to penalize "poisonous" 10x as much as "edible"
+	//
+	float _priors[] = { 1.0, 10.0 };
+	cv::Mat priors(1, 2, CV_32F, _priors);
+	dtree->setMaxDepth(8);
+	dtree->setMinSampleCount(10);
+	dtree->setRegressionAccuracy(0.01f);
+	dtree->setUseSurrogates(false /* true */);
+	dtree->setMaxCategories(15);
+	dtree->setCVFolds(0 /*10*/); // nonzero causes core dump
+	dtree->setUse1SERule(true);
+	dtree->setTruncatePrunedTree(true);
+	dtree->setPriors( priors );
+	//dtree->setPriors(cv::Mat()); // ignore priors for now...
+	// Now train the model
+	// NB: we are only using the "train" part of the data set
+	//
+	dtree->train(data_set);
+
+	// Having successfully trained the data, we should be able
+	// to calculate the error on both the training data, as well
+	// as the test data that we held out.
+	//
+	cv::Mat results;
+	float train_performance = dtree->calcError(data_set,
+		false, // use train data
+		results // cv::noArray()
+	);
+	std::vector<cv::String> names;
+	data_set->getNames(names);
+	Mat flags = data_set->getVarSymbolFlags();
+
+	// Compute some statistics on our own:
+	//
+	{
+		cv::Mat expected_responses = data_set->getResponses();
+		int good = 0, bad = 0, total = 0;
+		for (int i = 0; i < data_set->getNTrainSamples(); ++i) {
+			float received = results.at<float>(i, 0);
+			float expected = expected_responses.at<float>(i, 0);
+			cv::String r_str = names[(int)received];
+			cv::String e_str = names[(int)expected];
+			cout << "Expected: " << e_str << ", got: " << r_str << endl;
+			if (received == expected)
+				good++;
+			else
+				bad++;
+			total++;
+		}
+		cout << "Correct answers: " << (float(good) / total) << " % " << endl;
+		cout << "Incorrect answers: " << (float(bad) / total) << "%"
+			<< endl;
+	}
+	float test_performance = dtree->calcError(data_set,
+		true, // use test data
+		results // cv::noArray()
+	);
+	cout << "Performance on training data: " << train_performance << "%" << endl;
+	cout << "Performance on test data: " << test_performance << " % " << endl;
+	return 0;
+}
+
+```
+
+</div>
+
+</details>
+
+
+
+### 참고[¶]()
+
+- 지능자동화실제 과목, 박태형 교수
+- ChatGPT