决策树性能

Question

什么时候决策树表现良好？我绘制了一些图表，比较了基于决策树的模型和基于logistic回归的模型。决策树建立模型所需的时间较长，而LRclassifier模型的time.Moreover较小，logistic模型的f-score高于决策树。所以我想知道什么时候应该使用决策树。

Answer 1

通常，您将模型作为一次性前期生成，然后使用它来对新的数据实例进行分类。因此，您不必太担心生成树需要多长时间，除非您必须使用实时数据或类似的场景动态生成树。

Answer 2

这些问题看起来有点不完整。您还应该显示这些绘制的图形，以及应用这两个模型的数据的详细信息。

但是，与线性回归和逻辑回归相比，决策树仍然具有很高的可解释性。简单地说，DT只是嵌套的if-else语句。通过可解释性，我的意思是你的模型应该给出为什么它选择一个特定的类作为标签的原因，而不是仅仅说查询点属于类0或1。

Answer 3

当训练数据相关时，单个决策树的准确率约为75%-80%。“随机森林决策树”进一步提高了准确性。这通常是在训练了几个决策树并对结果进行“投票”的情况下。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隐藏的相关性。