Un arbre de décision prédit en posant une suite de questions sur les features, chaque nœud divisant les données selon un seuil qui sépare au mieux les cibles. Il est lisible, gère des relations non linéaires et ne demande pas de mise à l'échelle, mais il surapprend facilement s'il est trop profond.
Exemple
DecisionTreeClassifier(max_depth=4).fit(X_train, y_train)