정보가를 최대로 하는 노드를 수학적으로 계산하여 의사결정의 효율을 높이고자 하는 알고리즘 방식으로 이해함.
위 예시는 레드/화이트 와인을 구분하는 결정트리인데 gini값을 토대로 정보가가 최대가 되는 노드를 변별하게 됨.
예를 들어 PHQ-9 설문지에서(우울 측정 도구) 우울 진단과 가장 관련성 높은 문항(노드)을 추려서, 모든 문항을 다 물어보지 않더라도 일부 문항으로 스크리닝을 더 효율적으로 할 수 있음.
🤔 "Q2(우울한 기분) 점수가 2 이상이야?"
│
├── YES
│ 🤔 "Q9(자해 충동) 점수가 1 이상이야?"
│ ├── YES → 🔴 우울증 가능성 높음
│ └── NO
│ 🤔 "Q1(흥미 상실) 점수가 2 이상이야?"
│ ├── YES → 🔴 우울증 가능성 높음
│ └── NO → 🟡 경미한 수준
│
└── NO
🤔 "Q4(피로감) 점수가 2 이상이야?"
├── YES → 🟡 추가 관찰 필요
└── NO → 🟢 정상 범위
진단 자체도 이런 알고리즘을 일부 따르기 때문에 친숙한데, 어떤 문항이 결정적인 문항인지 아직 변별이 안 된 상황에서 표본을 충분히 모으면, 수식에 의해 결정적 문항을 확인함으로써 문항 수 단축이 가능하다는 점에서 응용할 여지가 많을 수 있겠음. 찾아보진 않았지만 이미 이런 식으로 연구가 많이 되어 온 것 같음.
