决策树学习可以“半监督”

Question

我有一个数据集，包括三种类型的变量：自然状态，人类决策，响应变量。我试图用决策树学习来预测使用其他变量的响应变量。

我的心智模式是人们在看自然状态和做出决定。因此，我强烈希望通过根据自然变量的状态划分我的决策树，然后根据人类决策变量进行划分。我宁愿不只是在决策树模型中查找所有变量并查看弹出的内容。

该智能模型是否有效？如果是这样的话，我会如何使用Azure ML来实现这样的事情？我甚至不知道描述这个问题的正确词汇 - 这是“半监督”决策树学习吗？

Answer 1

这里没有“半监督”部分。半监督意味着部分数据缺乏标签（响应变量），事实并非如此。您只需为决策树学习提出相当奇怪的约束，即可最终处理特征的子集。为了做这样的事情，你需要改变DT学习过程，或者最好 - 从头开始​​编码。 DT是非常简单的算法，它只需要很少的代码行，如果在里面，你的修改是简单的，它说“如果在根的路径上我们还没有使用所有有意义的'自然'特征，变成'人的决定'“。因此它非常简单，但我不认为任何库实际上都支持这种约束（因为它远不是自然的，特别是对于DT）。