machine-learning - 关于决策树的预测

Question

决策树如何预测新数据集的结果。假设使用超参数，我允许我的决策树只增长到一定程度以避免过度拟合。现在一个新的数据点被传递给这个训练好的模型，所以新的数据点到达叶子节点之一。但是该叶节点如何预测数据点是 1 还是 0？（我在这里谈论分类）。

标签： machine-learningdata-sciencedecision-tree

Answer 1

好吧，你几乎回答了你自己的问题。但只是为了扩展，最后将数据标记为 0 或 1 很大程度上取决于您使用的算法类型，例如 ID3 ，使用众数值进行预测。同样，C4.5 和 C5 或 CART 基于信息增益、ginni 指数等有不同的标准......

简而言之，训练决策树和预测查询实例的目标特征的过程如下：

1. 呈现一个包含许多训练实例的数据集，这些训练实例具有许多描述性特征和一个目标特征

2. 通过在训练过程中使用信息增益的度量，沿着描述性特征的值连续分割目标特征来训练决策树模型

3. 增长树直到我们完成一个停止条件 --> 创建代表我们想要为新查询实例做出的预测的叶节点

4. 向树显示查询实例并沿着树向下运行，直到我们到达叶节点

5. 完成 - 恭喜您找到问题的答案

这是我建议的链接，它从头开始非常详细地解释了决策树。好好读一读——

https://www.python-course.eu/Decision_Trees.php