Les arbres de décision sont les éléments de base des modèles Gradient Boosted Trees et Random Forests, qui sont parmi les plus populaires pour l'analyse de données tabulaires. Pour comprendre comment ces arbres fonctionnent et interpréter les modèles, la visualisation est un outil indispensable. TensorFlow a récemment publié un tutoriel montrant comment utiliser dtreeviz, une bibliothèque de visualisation de pointe, pour visualiser et interpréter les arbres de décision de TensorFlow Decision Forests. Cette bibliothèque, lancée en 2018, est devenue la plus populaire pour la visualisation des arbres de décision et est constamment mise à jour et améliorée par une communauté d'utilisateurs active. Un arbre de décision est un modèle d'apprentissage automatique qui apprend la relation entre les observations et les valeurs cibles en examinant et en condensant les données d'entraînement en un arbre binaire. Chaque feuille de l'arbre est responsable d'une prédiction spécifique, qu'il s'agisse d'une valeur pour les arbres de régression ou d'une catégorie cible pour les arbres de classification. Pour interpréter les prédictions des arbres de décision, dtreeviz visualise comment chaque nœud de décision dans l'arbre divise le domaine d'une caractéristique spécifique et montre la distribution des instances d'entraînement dans chaque feuille.