Dizionario AI › Fondamenti AI

Albero decisionale

Decision tree

Un albero decisionale è un modello di machine learning che prende decisioni ponendo una sequenza di domande semplici sui dati, organizzate ad albero: si parte da una radice, si scende attraverso nodi che rappresentano test su una caratteristica (è maggiore di 30 anni? il reddito supera una soglia?) e si arriva a una foglia che contiene la previsione finale. È forse il modello più intuitivo del machine learning, perché ricalca il modo in cui un essere umano ragionerebbe per categorie successive.

Definizione

Come funziona

Durante l'addestramento l'algoritmo cerca, a ogni nodo, la domanda che divide i dati nel modo più utile a separare le classi o a ridurre l'errore, usando misure come l'impurità di Gini o l'entropia per la classificazione, e la varianza per la regressione. Il processo si ripete ricorsivamente sui sottoinsiemi risultanti finché non si raggiunge un criterio di arresto, come una profondità massima o un numero minimo di esempi per foglia. Un albero troppo profondo tende a memorizzare i dati di addestramento invece di generalizzare, per questo si applicano tecniche di potatura che tagliano i rami meno utili.

Applicazioni

Gli alberi decisionali sono ovunque nell'AI applicata proprio per la loro trasparenza: scoring del credito, triage medico, regole di approvazione automatica, sistemi di raccomandazione semplici. Sono anche il mattone fondamentale di modelli più potenti come random forest e gradient boosting, che combinano molti alberi per ottenere previsioni più accurate e stabili.

Storia ed etimologia

L'idea di rappresentare decisioni come strutture ad albero appartiene alla teoria delle decisioni ed è più antica dell'informatica; nel machine learning l'algoritmo si sviluppa a partire dagli anni '60 e '70, con contributi come CHAID e con la sistematizzazione operata da Leo Breiman e colleghi nel testo Classification and Regression Trees del 1984, e da Ross Quinlan con gli algoritmi ID3 e C4.5. Il nome descrive semplicemente la forma della struttura: un tronco che si dirama in decisioni sempre più specifiche.

Come si usa in Grace

Gli scenari professionali di Grace spesso presentano casi decisionali a più livelli: capire la logica di un albero decisionale ti aiuta a scomporre un problema complesso in domande semplici e sequenziali quando istruisci un'AI.

Termini correlati

• Random forest
• Gradient boosting
• Classificazione
• Feature importance (Importanza delle caratteristiche)
• Overfitting

Altri termini in Fondamenti AI

• LLM (Large Language Model)
• Token
• Context Window
• Temperature
• Allucinazione (AI Hallucination)
• Fine-tuning
• RAG (Retrieval Augmented Generation)
• Embedding

Mettilo alla prova

• Scenario reale: applica questo concetto con un verdetto AI immediato.
• Palestra quotidiana: brevi esercizi per allenare i concetti del dizionario.
• Gioco Playoff: sfida altri giocatori, a eliminazione diretta.

📱 Scarica l'app Android (beta) iOS in arrivo

Dì quello che intendi. Ottieni quello che ti serve.

Grace Certified, la coach AI che allena e certifica il tuo prompt engineering, di Agora Intelligence.