越来越多的决策树
默认情况下,fitctree和fitrtree使用标准车算法[1]来创建决策树。也就是说，它们执行以下步骤:
从所有输入数据开始，检查每个预测器上所有可能的二进制分割。
选择具有最佳优化准则的分割。
分割可能导致子节点的观察值太少(小于
MinLeafSize参数)。为了避免这种情况，软件选择一个分裂，产生最佳的优化标准服从MinLeafSize约束。
实施分割。
递归地重复两个子节点。
说明还需要另外两项:优化准则和停止规则的描述。
停止规则:停止分裂时，任何以下hold:
节点是纯。
对于分类，如果一个节点只包含一个类的观察值，那么它就是纯节点。
对于回归，如果该节点中观察到的响应的均方误差(MSE)低于整个数据中观察到的响应的均方误差(MSE)乘以每个节点对二次误差的容忍(
QuadraticErrorTolerance参数)。
少于
MinParentSize在此节点的观察。这个节点上的任何分割都会产生小于的子节点
MinLeafSize观察。该算法将
MaxNumSplits节点。
优化准则:
回归:均方误差(MSE)。选择一个分裂，以最小化MSE的预测相比，训练数据。
分类:三种措施之一，视情况而定
SplitCriterion名称-值对:gdi的(默认的基尼多样性指数)“两个”“异常”
有关详细信息,请参见
ClassificationTree更多关于。
有关可选的分割预测器选择技术，请参见选择分割预测器选择技术。
对于连续预报器，树可以在为该预报器找到的任意两个相邻的惟一值中间分割。为一个分类预测l级别，一个分类树需要考虑2l1-1分割来找到最优分割。或者，您可以选择启发式算法来找到一个好的分割，如中所述分类树中分类谓词的分裂。
对于双核及以上系统，fitctree和fitrtree使用英特尔并行化训练决策树®线程构建块(TBB)。有关Intel TBB的详细信息，请参阅https://software.intel.com/en-us/intel-tbb。
参考文献
[1] Breiman, L.， J. H. Friedman, R. A. Olshen和C. J. Stone。分类和回归树。佛罗里达:查普曼和霍尔出版社，1984年。
另请参阅
ClassificationTree|RegressionTree|fitctree|fitrtree
相关的话题
您也可以从以下列表中选择网站:
