决策网络/决策森林是否考虑了输入之间的关系

Question

我有处理神经网络的经验，特别是反向传播性质的经验，我知道传递给培训师的输入，输入之间的依赖关系是引入隐藏层时产生的模型知识的一部分。 / p>

决策网络也是如此吗？

我发现围绕这些算法（ID3）等的信息有点难找。我已经能够找到实际的算法，但预期/最佳数据集格式和其他概述等信息很少见。

感谢。

Answer 1

决策树实际上很容易提供数据，因为它们只需要一个数据表，以及该数据中哪一列要预测哪个功能（或列）。对于任何特征，该数据可以是离散的或连续的。现在有几种决策树，它们对连续和离散值有不同的支持。而且他们的工作方式不同，因此了解每个人的工作方式都具有挑战性。

Different decision tree algorithms with comparison of complexity or performance

根据您感兴趣的算法类型，如果您想尝试实施它，如果不阅读实际论文，很难找到信息。我已经实现了CART算法，唯一的选择就是找到关于它的原始200页的书。大多数其他治疗只讨论像分裂足够细节的想法，但未能在更高层次上讨论任何其他方面。

至于他们是否考虑到事物之间的依赖关系。我认为它只假设每个输入要素和预测要素之间存在依赖关系。如果输入独立于预测功能，则无法将其用作拆分条件。但是，在其他输入功能之间，我认为它们必须相互独立。我必须检查这本书，以确保这是真的与否，但我认为这是真的。