機器學習風靡一時，這已經不是什麼秘密了。我們可以使用資料來訓練計算機來執行任務，而不需要在所有步驟中進行特定的程式，它是人工智慧的一大貢獻者。人工智慧在很多的領域都有華麗的應用，比如語音助理或自動駕駛汽車，以使用神經網路而聞名。
強大的計算機程式設計來粗略地模仿人類大腦的結構，但它們並不是機器學習的唯一重要部分。一種叫做決策樹的演算法也悄悄地潛伏在幕後，幫助科學家和公司整理資料幾十年，並以你意想不到的方式幫助你。就像神經網路的決策樹一樣，樹也會模仿人類。而不是複製我們大腦的佈局，他們模仿我們的推理方式，透過檢查他們的屬性與過去的例子相比較，就像玩猜謎遊戲一樣。例如，如果你想知道我在想你的第一個問題是什麼型別的車，如果你擅長的話，在轉向更具體的細節之前，這可能會消除整個類別的答案。所以如果你問，它有輪子嘛？我回答了之後，你可能會跟進多少。如果我問這個問題，它的速度有多快能幫你在摩托車的決定中選擇腳踏車，樹的工作方式是一樣的。讓他們如此靈活的是他們能處理的各種各樣的資料。
它是否有輪子在檢查分類資料，不是有很多車輛所代表的東西只能有一個完整的輪子。這個問題是關於離散資料的，最高速度可以是任何數字，因此是連續的資料和日常生活，我們在決策中很容易處理各種各樣的資訊。樹被設計來做同樣的事情，他們還能有效地處理大量的資訊這使得他們在複雜的情況下很有用，決策樹的應用就不那麼令人驚訝了。
你可能一直都在使用流媒體服務和餐館預訂應用這樣的推薦系統。當你挑選一個地方吃飯的時候，你可能會問一個朋友他們想要花多少錢，或者他們想要什麼樣的食物，他們想要什麼樣的提問方式，他們的資料靈活性意味著系統可以接受這些答案，並將它們與其他東西結合起來。
這款應用知道你喜歡這樣的事實，你總是選擇垃圾，而不是那些可能對你有好處的東西。從個人經驗來看，推薦的系統也必須執行很多。試想一下，在搜尋湖泊時，你會經常擺弄這些小過濾器。限制旅行距離或最大價格，因為決策樹依賴於這樣簡單的邏輯，它們可以比其他具有類似功能的機器學習演算法執行得更快。當然，他們並不完美。隨著選擇數量的增加，決策樹可能會陷入這樣一個事實，我們人類在無休止地滾動播放的時候，就會非常熟悉這一事實。因此，程式設計師可以靈活地構建，或者返回一個推薦列表，而不是一個單一的推薦列表。當樹變得太複雜時，這樣他們就能在你生命的某個時刻快速地工作讓我們開心，你可能也曾有過這樣的經歷。
當你試圖買一些普通的東西時，你的信用卡被神秘地拒絕了。銀行很可能試圖阻止他們認為是欺詐的行為。但如果真的是你，它可能真的會讓你的一天慢下來。就是這樣，80%的時間，這對買家和銀行來說都很糟糕。你不能買你需要的東西，或者至少不是你想要的牌，你的銀行首先會錯過從你的交易中賺到一些錢，第二，你甚至可能會生氣，停止使用哪個品牌。一種情況，2015年的研究估計每年花費銀行一千億美元是問題的一部分，在過去，欺詐檢測是依靠的。
一套尺寸適合所有的規則。就像我要做一個大的，隨機的例子，他們可能會決定，如果你在一個小時內購買了兩個不同的州，有些事情可能是錯的，但也許你是在公路旅行，或者你只是住在邊境附近。這種非常寬泛的方法有點傻，特別是因為你的銀行知道你在網上購物的頻率和你經常光顧的商店的頻率。在二千零一十八年的研究中，麻省理工學院的一組研究人員從信用卡公司收集了超過二百種資料，並建立了一個決策樹來預測欺詐行為。
該演算法將所有資料轉化為量身定製的預測指標，比如你旅行的頻率。所以，不要驚慌失措，軟體會意識到，這個行為對這個人來說是很正常的。當在某一點上進行測試時，決策樹將欺詐預測的錯誤率降低了54%。隨著這些技術在更大範圍內被整合，這將意味著銀行的欺詐行為將減少，而對我們其他人來說，更少的神秘問題也會減少。是否找到合適的領帶地點是在保護你的私人資訊，決策樹是完成工作的一個很好的選擇。
對我們來說，僅僅是人類的沉淪就在注視著。
