O dataset completo entra na raiz (Root Node), que faz a primeira pergunta. Cada resposta Sim/Não leva a um nó filho, que faz outra pergunta sobre o subconjunto recebido, até chegar a folhas com a predição Approve ou Reject. A árvore não ajusta uma equação: ela aprende uma sequência de perguntas simples.
Em cada nó, o critério de split testa as features e os pontos de corte possíveis e escolhe a pergunta que mais reduz a impureza (maior information gain, ou menor Gini/entropy). O critério de parada decide se o nó vira folha, quando está puro, atinge a profundidade máxima ou o mínimo de amostras, ou se continua sendo dividido. Esse processo recursivo se repete em cada filho.
Para prever, o novo dado desce da raiz até uma folha. No caminho destacado: Age > 35? Não → Student? Sim → Approve. Por isso o resultado é fácil de explicar: basta ler as respostas.
Atenção: as perguntas e os limiares (Age > 35, Income > 80K) são ilustrativos, não regras aprendidas de dados reais. Árvores muito profundas tendem a sofrer overfitting; pruning (poda) e limite de profundidade ajudam a controlar isso.
- Split: escolhe a melhor pergunta em cada nó.
- Parada: define quando o nó vira folha.
- Predição: caminho da raiz até uma folha.