问使用决策树(通过ID3训练)预测是否遇到未知属性值时，选择随机子节点是否可以接受？
EN

Data Science用户

提问于 2017-02-22 18:47:11

回答 1查看 102关注 0票数 2

我正在编写一个决策树，用ID3算法从头开始训练。我希望能够对连续数据进行训练和分类，因此我实现了k均值聚类，并缩小了任何输入训练或预测数据的值范围。

但是，我遇到了这样的问题:在训练过程中没有遇到的属性值，在树的某个深节点中遇到，但在更高的位置上存在。具有此特定属性值的所有数据点都可能最终出现在树的不同分支上。

因此，为了‘解决’这个问题，每当遇到节点的未知属性值时，我就将其发送到一个随机存在的分支中。

我得到95.45%的准确性使用随机分割85%-15%的训练-测试数据与虹膜.

这是一个可以接受的方法，还是我在这里出了什么问题？

谢谢

回答已采纳

发布于 2017-02-23 03:05:48

您的叶节点是否返回概率分布，而不是单个类值，例如到达节点的大多数训练实例？如果是这样的话，一个更好的方法是将测试实例发送到每个子路径，并平均树叶返回的概率分布。

你在虹膜数据上的好分数95.45%告诉我，在这个例子中，这不是一个非常重要的细节。尝试一些更具挑战性的数据集，看看它是否起作用。

票数 1

页面原文内容由Data Science提供。腾讯云小微IT领域专用引擎提供翻译支持

原文链接：

https://datascience.stackexchange.com/questions/17119

复制

相似问题

问使用决策树(通过ID3训练)预测是否遇到未知属性值时，选择随机子节点是否可以接受？EN