Q
修剪决策树
1
A
回答
2
是的,当您的数据量较低时,可以使用交叉验证来训练和修剪您的数据集。这个想法很简单。你把你的数据分成N组,并用N-1个树训练你的树。最后一组用作修剪测试集。然后你选择另外一组N套离开,并做同样的事情。重复此操作,直到你排除所有集合。这意味着你会建立N棵树。您将使用这N棵树来计算树的最佳大小,然后使用计算对整个数据集进行训练,以修剪该树。这比我在这里可以有效描述的要复杂得多,但是这里有一篇关于如何将交叉验证适配到ID3的文章。
dW1eIKA87pO6eAVtIow“> http://www.google.com/url?sa=t & RCT = j的& Q = & ESRC = S &源=幅& CD = 1 & VED = 0CE4QFjAA & URL = HTTP% 3A%2F%2Fjmlr.csail.mit.edu%2Fpapers%2Fvolume3%2Fblockeel02a%2Fblockeel02a.ps & EI = iwDcT8XfE5KY8gT2oYW7Cg & USG = AFQjCNFHY29x3_dW1eIKA87pO6eAVtIow
大量的研究已经在它就是交叉验证的正确分割,并进行被发现N = 10给出了给定额外处理时间的最佳结果。交叉验证增加了你的计算(N次),但是当数据量较小时,它可以克服少量样本。而且由于你没有太多的数据,这意味着使用交叉验证并不是那么糟糕的计算。
相关问题
- 1. 决策树修剪
- 2. 修剪C++决策树
- 3. Python决策树回归修剪
- 4. J48决策树
- 5. 决策树jQuery
- 6. 修剪rpart树
- 7. 决策树。噪声策略
- 8. 为什么C4.5算法使用修剪来减少决策树,以及修剪如何影响预测精度?
- 9. Adaboost决策树/树桩
- 10. 决策树问题解决
- 11. 决策树:细化
- 12. 决策树结果
- 13. weka决策树java
- 14. 建模决策树
- 15. Python决策树GraphViz
- 16. 决策树组件
- 17. 决策树执行
- 18. 执行决策树
- 19. 非二元决策树到二元决策树(机器学习)
- 20. 决策树在树决策中保持使用Y变量
- 21. 数据库修剪策略
- 22. 随机决策树分类
- 23. 可观察与决策树
- 24. StackOverflowError决策树生成JAVA
- 25. 如何计算决策树
- 26. Apache Spark决策树预测
- 27. 绘制决策树,graphvizm pydotplus
- 28. ID3决策树说明
- 29. 决策树与Logistic回归
- 30. 试图让决策树