Interactive Lab #5

Decision Tree & Random Forest Simulator

Gini Impurity နိမ့်ဆင်းစေရန် Data ကို မျဉ်းမတ် သို့မဟုတ် မျဉ်းပြင်များဖြင့် စည်းခြားပိုင်းဖြတ်ပုံကို real-time တိုက်ရိုက် လေ့လာပါ။

Click on the 2D plane to add points, adjust tree depth, and observe non-linear decision boundary splits in real time.

Accuracy: 0%

Nodes: 0

Root Gini: 0.49

2D Decision Boundary Canvas

Click anywhere inside the box to add a sample point of selected class.

Presets

Hyperparameter Tuning

Max Tree Depth (max_depth)4

Controls model complexity. Higher depth allows complex boundaries but risks overfitting.

Min Samples for Split (min_samples_split)2

Constructed Decision Tree Hierarchy

Add points to build decision tree.

💡 Decision Tree ဆိုသည်မှာ ဘာလဲ?

Decision Tree (ဆုံးဖြတ်ချက် သစ်ပင်) သည် မေးခွန်းတွဲများ (If-Else Rules) ဖြင့် ဒေတာများကို ပိုင်းခြားခွဲခြားပေးသော Machine Learning Model တစ်ခုဖြစ်သည်။ ဒေတာအချက်အလက်တစ်ခု ရောက်ရှိလာပါက Root Node မှစ၍ သတ်မှတ်ထားသော Feature (ဥပမာ X သို့မဟုတ် Y တန်ဖိုး) ပေါ်မူတည်၍ ခွဲခြားသွားသည်။

1. Gini Impurity (သန့်စင်မှု တိုင်းတာခြင်း)

Node တစ်ခုအတွင်း ဒေတာအမျိုးအစားများ မည်မျှ ရောထွေးနေသည်ကို တိုင်းတာသည်။ Gini = 0 ဖြစ်ပါက အလွန်သန့်စင်သော pure node ဖြစ်သည်။

2. Max Depth (သစ်ပင် အနက်)

Tree ၏ အလွှာအရေအတွက် ဖြစ်သည်။ Depth မြင့်လွန်းပါက Overfitting ဖြစ်ပြီး သေးငယ်သော အမှတ်တိုင်းကို လိုက်လံခွဲခြားမိသည်။

3. Random Forest (သစ်တော)

Decision Tree အများအပြားကို ပေါင်းစပ်ထားသော Ensemble Model ဖြစ်သည်။ သစ်ပင်များ၏ မဲခွဲဆုံးဖြတ်မှုဖြင့် ပိုမိုတိကျသော ရလဒ် ထုတ်ပေးသည်။