决策树学习是“半监督”的吗？

Question

我有一个数据集，其中包括三种类型的变量:自然状态，人类决策，响应变量。我正在尝试使用决策树学习来使用其他变量来预测响应变量。

我的心理模型是，人们看着自然的状态并做出决定。因此，我强烈希望我的决策树首先根据自然变量的状态进行分区，然后根据人类决策变量进行分区。我不希望只是丢弃决策树模型中的所有变量，然后看看会弹出什么。

这个心理模型是有效的吗?如果是的话，我该如何使用Azure ML实现这样的东西呢？我甚至不知道用什么词来描述这个问题--这是“半监督”决策树学习吗？

Answer 1

这里没有“半监督”部分。半监督意味着部分数据缺少标签(响应变量)，但事实并非如此。您只需为决策树学习提出非常奇怪的约束，以处理最终的特征子集。为了做这样的事情，你需要改变DT学习过程，或者最好是从头开始编写代码。DT是非常简单的算法，它只需要几百行代码，你的修改是一个简单的if，里面写着“如果，在从根开始的路径上，我们还没有使用所有有意义的‘自然’特性，不要去研究‘人类的决定’”。因此，它是非常简单的，但我不认为任何库实际上支持这种约束(因为它很不自然，特别是对于DT)。