Beslisboom
Klassiek ML-algoritme: een boomstructuur waarin elk intern knooppunt een test op een kenmerk is en elk blad een beslissing. Goed interpreteerbaar, geen schaling van features nodig. Basis van Random Forest en XGBoost.
Klassieke algoritmen: ID3 (Quinlan, 1986), C4.5 en CART (Breiman). Splitsen gebeurt op informatiewinst of Gini-impuriteit. Risico: overfitting, vandaar pruning. Ensemblemethoden domineren moderne ML-wedstrijden: Random Forest (bootstrap aggregating van veel bomen) en XGBoost, LightGBM en CatBoost (gradient boosting, vaste winnaars op Kaggle). Interpreteerbaarheid is het sterkste argument tegenover neurale netwerken in gereguleerde sectoren (zorg, fintech).