第十九天，我們要跨入具備非線性切分能力且直覺好懂的機器學習模型——決策樹（Decision Tree）。先前介紹的邏輯斯迴歸是在空間中劃出一條直線或平面，但現實中的決策邏輯往往是一連串的規則判斷（例如：「若體溫 > 37.5°C 且 咳嗽，則判定為感冒」）。決策樹最大的優勢在於強大的可解釋性（White-box Model），演算法會自動找出資訊增益最大的特徵進行二元切分。今天我們建立純 Python 腳本 day19_decision_tree.py，掌握決策樹分類器建模、防止過擬合的剪枝參數設定，並使用 Scikit-Learn 內建工具將整棵樹視覺化輸出。

第一部分
新建 day19_decision_tree.py。使用鳶尾花（Iris）經典資料集，選取花瓣長度與花瓣寬度兩大特徵，切分訓練集與測試集，並建立決策樹分類器：

第二部分
初始化 DecisionTreeClassifier。為了防止決策樹長得過深而導致「過擬合（Overfitting）」，實務上必須進行預剪枝（Pre-pruning），例如限制最大深度 max_depth=3，接著進行模型訓練並計算測試集準確率：

第三部分
決策樹最迷人的地方在於其決策流程完全透明。我們可以使用 Scikit-Learn 的 plot_tree()，把這棵樹的節點切分門檻、吉尼係數（Gini Impurity）與樣本人數畫出來，匯出成結構樹狀圖：

第四部分
在終端機輸入 python day19_decision_tree.py 執行驗證，確認模型準確率、特徵重要性皆順利輸出，且圖片 day19_decision_tree.png 順利產出。按 Ctrl + S 儲存後推送到 GitHub 進行版本控制：

今日心得/遇到的問題
今天體驗了決策樹強大的白箱可解釋特性。透過 plot_tree 產出的圖，不需要懂複雜數學也能清楚看到「花瓣長度 <= 2.45cm 的直接分為 setosa」，非常符合人類的邏輯推演。另外，決策樹非常容易因為長得太深而將雜訊當成規律背下來（過擬合），因此在宣告模型時設定 max_depth 或 min_samples_leaf 等剪枝條件是維持模型泛化能力的關鍵調參細節。