의사결정 트리 다이어그램

의사결정 트리란

의사결정 트리는 선택의 연속과 그 결과를 루트 트리로 표현하는 분기 다이어그램입니다: 각 내부 노드는 질문 또는 결정, 각 엣지는 답변 또는 행동, 각 리프는 결과입니다. 이 형식은 서로 꽤 다른 세 가지 실무 분야에 걸쳐 나타납니다 — 문제 해결 순서도와 임상 의사결정 규칙(분류 트리), 기대 가치를 사용하는 위험 및 투자 분석(의사결정 분석), 그리고 기계 학습 모델 검사(분류기 트리). 표면적 차이에도 불구하고 세 가지 모두 동일한 트리 구조를 공유합니다. 이것이 Schematex가 모드 선택기를 통해 하나의 키워드 아래에 인코딩하는 이유입니다.

Schematex 의사결정 트리는 다음을 다룹니다: (1) 분류 모드 — 의료 분류(Turing 1937 계보; 현재 임상 의사결정 지원에서 표준)에서 사용되는 예/아니오 질문 흐름, (2) 의사결정 분석 모드 — 경영 과학에서 개발된 기대 가치 역산법(Raiffa & Schlaifer, 1961), (3) ML 모드 — scikit-learn 및 유사한 훈련된 분류기를 시각화하는 데 사용되는 CART 분할/리프 형식(Breiman et al., 1984).

1. 첫 번째 의사결정 트리

가장 작고 유용한 의사결정 트리: 두 개의 분기가 있는 루트 질문입니다.

네 가지 규칙으로 사용의 80%를 다룰 수 있습니다.

1. decisiontree로 시작하고, 선택적으로 :mode와 따옴표로 묶인 제목을 추가합니다.
2. 각 질문 노드는 question "text"(또는 약칭 q "text")를 사용합니다.
3. 각 답변/리프는 answer "text"(또는 a "text" 또는 leaf "text")를 사용합니다.
4. 분기 레이블 — yes:, no:, 또는 커스텀 label "X": — 는 같은 줄에서 자식 노드 앞에 옵니다.

들여쓰기가 중첩을 제어합니다: 각 레벨은 2개의 공백을 추가합니다. 파서는 들여쓰기 깊이에서 부모-자식 관계를 계산합니다.

주석은 독립된 줄에서 # 또는 //로 시작해야 합니다.

2. 모드

모드는 헤더 줄에서 설정됩니다.

기본 방향은 분류 및 ML의 경우 top-down, 의사결정 분석의 경우 left-right입니다.

3. 분류 모드

최적 용도: 문제 해결 가이드, FAQ, 임상 프로토콜, 제품 추천 흐름.

노드 키워드

분기 레이블

커스텀 레이블을 사용하면 한 질문에서 다방향 결정을 위해 예/아니오를 넘어설 수 있습니다.

4. 의사결정 분석 모드

최적 용도: 투자 결정, 빌드 vs 구매 분석, 위험 가중 전략 평가.

노드 키워드

분기 키워드

보상 속성

노드의 payoff=N은 보상 값을 설정합니다. end / outcome 노드에서는 터미널 값을 정의합니다. 파서는 자동으로 기대 가치 역산을 실행합니다: 각 chance 노드의 EV는 자식 EV의 확률 가중 합계이고, 각 decision 노드의 EV는 최대 자식 EV이며, 최적 분기가 표시됩니다.

제약: chance 노드의 모든 직접 자식의 확률은 1.0(±0.01)이 되어야 합니다. 그렇지 않으면 파서가 DTreeParseError를 발생시킵니다.

5. 영향 다이어그램 모드

최적 용도: 트리로 펼치기 전에 의사결정 문제를 간결하게 프레이밍. 의사결정 분석 모드가 모든 결과의 모든 분기를 명시적 트리로 그리는 반면, 영향 다이어그램(Howard & Matheson, 1981)은 동일한 문제를 변수와 그 사이의 의존성의 방향성 비순환 그래프(DAG)로 그립니다 — 각 상태의 수에 관계없이 의사결정, 불확실성, 목적당 하나의 노드만 사용합니다. 이것은 의사결정 분석가들이 먼저 도달하는 다이어그램입니다. 트리의 조합적 팽창 없이 구조(무엇이 무엇을 알리는지, 무엇이 보상에 영향을 미치는지)를 보여주기 때문입니다.

이 모드는 구조적이며 계산적이지 않습니다. 의사결정 분석 모드와 달리 기대 가치를 계산하지 않습니다 — 간결한 그래프는 EV 역산이 필요한 확률 및 보상 표를 의도적으로 생략합니다. 문제의 형태를 전달하고 검증하는 데 사용하고, 수치가 필요할 때는 의사결정 분석 모드(섹션 4)를 사용하십시오.

헤더 형식

모드를 선택하는 두 가지 동등한 방법:

decisiontree:influence "Oil Wildcatter"

또는 헤더 뒤 독립된 줄의 지시어로:

decisiontree "Market Entry"
  mode: influence

노드 키워드

각 노드는 kind Id "label"로 선언됩니다 — 호 연결에 사용되는 id와 따옴표로 묶인 표시 레이블.

형태는 표준 영향 다이어그램 관례를 따릅니다: 의사결정은 직사각형, 불확실성은 타원, 가치 노드는 팔각형입니다. value 노드에 utility=N을 추가하면 해당 노드가 나타내는 보상에 주석을 달 수 있습니다(value Profit "Net profit" utility=42).

호 및 의미

호는 노드 id로 Source -> Target을 독립된 줄에 작성합니다. 호의 의미는 목적지에서 읽습니다, 발표된 표준과 정확히 동일합니다.

점선 정보 호를 주목하십시오: Seismic -> Drill은 "시추 여부를 선택하기 전에 지진 검사 결과가 관찰된다"는 것을 의미하며, 이것이 바로 모델링할 가치가 있는 의사결정을 만드는 것입니다.

유효성 검사 규칙

• 그래프는 비순환이어야 합니다 — 사이클(예: A -> B 및 B -> A)은 거부됩니다.
• 최소 하나의 value 노드가 필요합니다; 목적이 없는 영향 다이어그램은 의사결정 문제가 아닙니다.
• 호는 선언된 노드 id를 참조해야 합니다.

예시

Oil Wildcatter — 정식 교수 문제. 시추 결정 전에 지진 검사 결과가 관찰됩니다(점선 정보 호 Seismic -> Drill), 검사는 실제로 석유가 있는지 여부와 관련이 있습니다(Seismic -> Oil), 석유 상태와 시추 선택 모두 이익을 결정합니다(Oil -> Profit, Drill -> Profit).

mode: influence 지시어 형식을 사용하는 시장 진입 결정. 수요는 진입 전에 관찰됩니다(Demand -> Enter, 정보적/점선) 그리고 이익을 직접 결정하고, 경쟁자의 반응은 보상에만 영향을 미칩니다.

6. 기계 학습 모드

최적 용도: 훈련된 CART 분류기 설명, 모델 투명성 보고서, 특성 중요도 분석.

노드 키워드

분기 접두사

true와 false가 자식 노드 앞에 붙어 각 자식이 나타내는 분기를 표시합니다.

속성 (key=value, 콜론 없음, 값 주위에 따옴표 없음)

7. 설정 옵션

설정 줄은 헤더와 첫 번째 노드 사이에 위치합니다. 각각은 key: value 형식입니다(콜론, config 키워드 없음).

공통 설정 (모든 모드)

분류 설정

의사결정 분석 설정

ML 설정

decisiontree:ml "Loan classifier"
direction: top-down
impurity: gini
classes: Approved, Denied, Review

8. 레이블 및 주석

• 다이어그램 제목: decisiontree "Title" — 헤더 키워드 뒤의 따옴표 문자열.
• 노드 레이블: 노드 키워드 바로 뒤의 따옴표 문자열 — question "Is the fee waived?".
• 분기 레이블: yes:, no:, 또는 label "Custom": 자식 노드 앞에 — 자식과 같은 줄에.
• 보상: 의사결정/end 노드 줄 끝에 payoff=250000.
• ML 속성: 노드의 레이블 문자열 뒤 key=value 토큰 ([…] 괄호 없음, 콜론 없음).
• 주석: 줄 시작에 # 또는 //(선택적 앞의 공백 이후). 전체 줄 주석만 지원됩니다 — 인라인 후미 주석은 지원되지 않습니다.

9. 예약어 및 이스케이프

예약 노드 키워드: decision, chance, end, outcome, choice, prob, split, leaf, question, q, answer, a.

예약 분기 접두사: yes:, no:, true, false, label.

예약 헤더 형식: decisiontree, decisiontree:decision, decisiontree:da, decisiontree:ml.

공백이 있는 문자열은 큰따옴표로 묶어야 합니다: question "Annual revenue > $1M?". 노드 레이블, label "…": 문법의 분기 레이블, 다이어그램 제목 모두 큰따옴표가 필요합니다.

10. 흔한 실수

11. 문법 (EBNF)

document       = header ( config-line )* node

header         = "decisiontree" ( ":" mode )? ( WS quoted-string )? NEWLINE
mode           = "decision" | "da" | "ml"
                 // 생략 → 분류

config-line    = config-key ":" WS config-value NEWLINE
config-key     = "direction" | "edgeStyle" | "edge-style"
               | "branchLabels" | "branch-labels"
               | "branchLength" | "branch-length"
               | "impurity" | "classes"

// ── 분류 모드 ──────────────────────────────
node           = ( branch-prefix WS )? tax-node ( WS "[" tax-attrs "]" )? NEWLINE
                   INDENT child-node*
tax-node       = ( "question" | "q" ) WS quoted-string
               | ( "answer" | "a" | "leaf" ) WS quoted-string
branch-prefix  = "yes:" | "no:" | "label" WS quoted-string ":"

// ── 의사결정 분석 모드 ─────────────────────
da-node        = "decision" WS quoted-string NEWLINE INDENT da-child+
               | "chance" WS quoted-string NEWLINE INDENT da-prob-child+
               | ( "end" | "outcome" ) WS quoted-string ( WS "payoff=" number )? NEWLINE
da-child       = "choice" WS quoted-string NEWLINE INDENT da-node
da-prob-child  = "prob" WS number WS da-node    // prob, 값, 자식이 모두 한 줄에

// ── ML 모드 ───────────────────────────────
ml-node        = ( "true" | "false" )? ml-kind WS quoted-string ml-prop* NEWLINE
                   INDENT ml-child*
                 // "true"/"false"와 ml-kind는 같은 줄에 있어야 함
ml-kind        = "split" | "leaf"
ml-prop        = WS key "=" value     // "=" 주위에 공백 없음

comment        = ( "#" | "//" ) any NEWLINE
quoted-string  = '"' any-char-but-quote* '"'

권위 있는 소스: src/diagrams/decisiontree/parser.ts. 파서와 다를 경우 파서가 우선합니다 — 이슈를 열어주십시오.

12. 표준 준수

Schematex 의사결정 트리는 네 가지 확립된 관례를 다룹니다.

분류 모드는 임상 의사결정 지원 시스템(Arden Syntax 계보) 및 ISO 9001 문제 해결 절차에서 일반적인 질문/답변 순서도 관례를 따릅니다.

의사결정 분석 모드는 경영 과학의 기대 가치 역산법을 따릅니다: 의사결정 노드(사각형, 행위자 선택), 확률 노드(원, 확률적), 보상이 있는 터미널 노드. EV는 역방향 귀납을 통해 자동으로 계산됩니다(Raiffa & Schlaifer, 1961).

영향 다이어그램 모드는 Howard & Matheson(1981) 관례를 따릅니다: 의사결정(직사각형), 확률(타원), 가치(팔각형) 노드가 비순환 그래프로 연결되며, 호의 의미는 목적지에서 읽습니다(의사결정으로의 정보 호는 점선; 확률로의 관련성; 가치로의 함수). 이것은 구조적 다이어그램으로 EV를 계산하지 않습니다.

ML 모드는 scikit-learn의 export_text 및 plot_tree 출력과 호환되는 CART(분류 및 회귀 트리) 분할/리프 표기법(Breiman et al., 1984)을 따릅니다.

현재 구현된 항목:

• ✅ 모든 4가지 모드: 분류, 의사결정 분석, 영향 다이어그램, ML
• ✅ 분류: question/q, answer/a/leaf, yes:, no:, label "X": 분기 레이블
• ✅ 의사결정: decision, chance, end/outcome, choice, prob, payoff=N, 자동 EV 역산
• ✅ 영향: decision/chance/value 노드, utility=N, Source -> Target 호, 목적지 파생 호 의미, 점선 정보 호, 비순환성 + 가치 노드 검증
• ✅ ML: split, leaf, true/false 분기 접두사, feature=, threshold=, gini=, entropy=, mse=, class=, value=
• ✅ 설정: direction:, edgeStyle:, impurity:, classes:, branchLabels:, branchLength:, mode:
• ⏳ 확률 가중 분기 길이 렌더링 (branchLength: probability는 파싱되지만 아직 시각적으로 적용되지 않음)
• ⏳ 민감도 분석 오버레이 (의사결정 트리의 토네이도 차트 스타일 주석)
• ⏳ 포레스트 / 앙상블 뷰 — 여러 트리가 나란히

참고 문헌:

• Raiffa, H. & Schlaifer, R. (1961). Applied Statistical Decision Theory. Harvard Business School.
• Howard, R. A. & Matheson, J. E. (1981/2005). Influence Diagrams. Decision Analysis 2(3).
• Breiman, L. et al. (1984). Classification and Regression Trees. Wadsworth.
• Wikipedia — Decision tree · Influence diagram · Decision tree learning

13. 로드맵

계획됨 — 아직 파싱 불가. 오늘 생성된 DSL에서 이것들을 사용하지 마십시오; 파서가 거부하거나 무시합니다.

• branchLength: probability 시각적 렌더링 — 설정 키는 파싱되지만 레이아웃 엔진이 아직 확률에 따라 분기 길이를 조정하지 않습니다.
• 민감도 / 토네이도 분석 — 어떤 prob 값이 최종 EV에 가장 많은 영향을 미치는지 주석을 다는 sensitivity: 블록.
• 내보내기 주석 — 다이어그램 SVG와 함께 구조화된 표 출력 (의사결정 매트릭스).
• 포레스트 뷰 — 여러 decisiontree 블록을 나란히 비교 레이아웃으로 래핑하는 forest 키워드.
• 접기/펼치기 인터랙티브 마커 — 깊은 하위 트리에 대한 삼각형 플레이스홀더를 렌더링하는 노드의 collapsed: true.

더 빨리 필요하다면 GitHub 이슈에서 추적하십시오.

관련 예시

예시 갤러리에서 바로 사용할 수 있는 시나리오: