我使用 sklearn.tree.DecisionTreeRegressor 来预测具有两个独立变量的回归问题，即特征“X”、“Y”和预测的可靠变量“Z”。 当我绘制树时，叶子似乎与分类树没有太大区别。结果不是每个叶子上的函数，而是每个叶子上的单个值，就像在分类中一样。
有人可以解释一下，为什么这被称为回归以及为什么它与分类树不同？
因为我似乎误解了 sklearn 类，是否有用于 python 的树包，它执行“真正的”回归并在每个叶子上都有一个输出函数？对于 X、Y 和 Z，这可能是每片叶子上的某种表面。
答案 0 :(得分：1)
这是意料之中的。每个叶子的输出不是一个函数，它是一个单一的值，代表该叶子中所有实例的预测数字（因此回归）输出。输出是一个“函数”，因为你会得到不同的值，这取决于你将落在哪片叶子上。分类树的词完全相同，但输出值代表的是类概率，而不是 Z 的预测值。
换句话说，回归输出映射到任意值的函数，但没有规定这个函数必须是连续的。对于树木，该功能更像是一个“阶梯”。
答案 1 :(得分：0)
对于任何正在搜索我正在搜索的内容的人：
有线性/对数/...回归模型与决策树的组合，称为“模型树”。不幸的是，没有包含在任何免费的 python 包中，但在 github 上有一些实现，如果你谷歌它。它也应该很快就会与 scikit-learn 一起提供。 模型树类似于 M5 算法。