决策树性能

Question

决策树何时表现良好。我绘制了一些图表，比较了基于决策树的模型和使用逻辑回归的另一个模型。决策树花费更长的时间来构建模型，而LRclassifier花费的时间更少。此外，logistic的f-score超过了该模型的决策树。所以我想知道什么时候应该使用决策树。

Answer 1

通常，您可以先将模型生成为一次性模型，然后使用它来对新的数据实例进行分类。因此，您不必过于担心生成树所需的时间，除非您必须使用实时数据或某些此类方案动态生成树。

Answer 2

问题看起来有点不完整。您还应该显示这些绘制的图形，以及已经在这两个模型上应用的数据的详细信息。

但是与线性回归和逻辑回归相比，决策树仍然具有很高的解释性。简单来说，DT只是嵌套的if-else语句。通过可解释性，我的意思是您的模型应该给出选择特定类作为标签的原因，而不仅仅是说查询点属于类0或1。

Answer 3

当训练数据相关时，单个决策树的准确度大约在75％-80％之间。 “随机森林的决策树”进一步提高了准确性。通常是在训练了几棵决策树并且对结果进行“投票”时。决策树通常用于找到最相关的维度来训练神经网络。神经网络具有更大的能力来发现数据中的隐藏关联。