O quê

Uma decision tree (árvore de decisão) é um modelo que aprende uma sequência de perguntas IF-THEN diretamente dos dados: a cada nó, divide os exemplos pela pergunta que mais reduz a incerteza; as folhas dão a predição. É legível por humanos — você consegue seguir o caminho de decisão e entender por que o modelo decidiu o que decidiu.

Os algoritmos canônicos: ID3 (Ross Quinlan, 1986), seu sucessor C4.5 (1993), e CART (Breiman et al., 1984). A escolha de cada divisão usa critérios como information gain (baseado em Entropy (Shannon)) ou índice de Gini.

Em Magik LLM Gathering, a decision tree é tratada como architecture da trilha clássica — e, diferente de muitos vizinhos de era, não foi destronada: em dados tabulares, suas descendentes ainda mandam.

Como funciona

Particionamento guloso por ganho de informação

A árvore cresce de forma gulosa: em cada nó, testa cada feature e cada ponto de corte, e escolhe a divisão que mais reduz a impureza dos filhos. Para classificação, “impureza” costuma ser entropia (information gain) ou Gini; para regressão, variância. Repete recursivamente até um critério de parada (profundidade, mínimo de amostras, ganho insignificante).

Overfitting e poda

Uma árvore livre decora o treino — cresce até isolar cada exemplo. A defesa clássica é a poda (pruning): cortar ramos que não generalizam, trocando ajuste por robustez. Mesmo assim, uma árvore única tende a ser instável (pequenas mudanças nos dados mudam muito a árvore).

O salto: ensembles

O verdadeiro poder vem de combinar muitas árvores:

• Random Forests (Breiman, 2001) — muitas árvores em subconjuntos aleatórios de dados/features, votando em conjunto. Reduz variância.
• Gradient Boosting — árvores em sequência, cada uma corrigindo o erro da anterior. XGBoost (Chen & Guestrin, 2016) e LightGBM popularizaram a versão escalável e dominam competições.

Por que importa

Interpretabilidade nativa. Em crédito, saúde e justiça — domínios regulados — poder explicar a decisão importa. Uma árvore rasa é auditável por construção, o que a torna aliada da Explainable AI (XAI).

Domínio tabular intacto. Em 2026, para dados tabulares (planilhas, registros estruturados), XGBoost/LightGBM ainda batem deep learning e LLMs na maioria dos casos. É um dos poucos territórios que a revolução neural não conquistou.

Base de incontáveis sistemas. Detecção de fraude, credit scoring, ranqueamento, previsão de churn — boa parte da IA que move dinheiro no mundo real é, por baixo, um ensemble de árvores.

Estado em 2026

• Padrão-ouro tabular. Gradient boosting de árvores segue como primeira escolha para dados estruturados; LLMs entram como complemento (gerar features, interpretar texto), não como substituto.
• Tensão interpretabilidade vs. ensemble. Uma árvore é transparente; uma floresta de mil árvores, nem tanto — daí o uso de SHAP/LIME para explicar ensembles.
• Convivência com o neural. Pipelines híbridos combinam embeddings de LLM como features de entrada para modelos de árvore.
• Robustez prática. Pouca necessidade de tuning, tolerância a features heterogêneas e treino rápido mantêm as árvores como cavalo de batalha silencioso da indústria.

Tratamento de carta — proposta

Decision Tree Modelo · Citadel (Classical ML)

Ao entrar, faça uma pergunta binária sobre o estado do jogo (ex.: “o oponente tem mais de 3 cartas na mão?”). Conforme a resposta, escolha um de dois efeitos. A cada turno, ramifica: ganha uma nova pergunta/efeito.

“Sim ou não. E de novo. Até a folha.”

A mecânica encena o particionamento IF-THEN: decisões binárias encadeadas que ramificam com o tempo.

Veja também

Support Vector Machine · Entropy (Shannon) · Explainable AI (XAI) · Perceptron