我刚刚开始与Weka合作，当我的决策树太深时，我无法理解。 我有一套423个功能，据我所知，每个目标都是随机选择的。因此，这些特征子集生成具有决策叶的分支或流，这些分支或流似乎不是通用的，实际上它们太具体，因为它们仅适用于语料库中所有情况的一个或两个案例，例如，没有（2/0） ），是（1/0）。 我认为它没有很好地概括，也许这是因为决策树太深了。所以我的问题是，应该是树的maxDepth？我怎么知道树太深了？我尝试过将maxDepth更改为10，但是叶子仍然包含基于少数情况的决策。 此外，默认情况下Weka生成10棵树，我想知道设置更多树木是否会带来更好的结果。我已经读过随机森林可以很好地使用100,300甚至500棵树，但我不知道这是否适用于一组423个功能。 最后，我想知道＆＃34; 1＆＃34;在这个决定中意味着：＆＃34; no（632/1）＆＃34;。这是否意味着632被正确归类为＆＃34; no＆＃34;但其中一个被归类为＆＃34;是＆＃34;即使它是＆＃34;没有＆＃34; ？那是＆＃34; 1＆＃34;假阳性？ 谢谢你的帮助！
答案 0 :(得分：1)
在这种情况下尝试的最好的方法是对参数进行网格搜索。因此，您可以决定性能指标，并找出不同参数的值。这对于确定最佳参数设置是有益的。还尝试在验证集而不是训练集上计算该性能指标。