我想写一个方法，接受近70个参数，根据输入返回结果。
这是我的算法的逻辑表示：
在表示中，有 7 个参数，作为树的结果，它给我们 Y 或 N。
我怎样才能写出这样一个更大、更复杂的算法？哪种语言的计算效率更高？
【问题讨论】：
标签： python algorithm decision-tree
一种方法是创建一个带有顶点的图，其中边包含需要满足才能通过它的条件。
class Node:
def __init__(self, edges, val = None):
self.edges = edges
self.val = val
def decide(self, args):
if len(self.edges) < 1:
return self.val
for edge in self.edges:
(cond, next) = edge
if cond(args):
return next.decide(args)
break
n_a_a = Node([], 'y')
n_a_b = Node([], 'n')
n_b_a = Node([], 'y')
n_b_b = Node([], 'n')
n_a = Node([(lambda args: args['B'] > 0, n_a_a),
(lambda args: args['B'] <= 0, n_a_b)])
n_b = Node([(lambda args: args['B'] > 5, n_b_a),
(lambda args: args['B'] <= 5, n_b_b)])
root = Node([(lambda args: args['A'] > 0, n_a),
(lambda args: args['A'] <= 0), n_b)])
print root.decide({'A':5,'B':10})
另一种方法是为您的决策树建模，然后使用生成代码的代码生成器或自己手动编写如下代码：
def root(args):
if args['A'] > 0:
return n_a(args)
return n_b(args)
def n_a(args):
if args['B'] > 0:
return n_a_a(args)
return n_a_b(args)
def n_b(args):
if args['B'] > 5:
return n_b_a(args)
return n_b_b(args)
def n_a_a(args):
return 'y'
def n_a_b(args):
return 'n'
def n_b_a(args):
return 'y'
def n_b_b(args):
return 'n'
print root({'A':5,'B':10})
【讨论】：
在机器学习术语中，您描述的是一个分类树。
实现分类树的机器学习库有很多很多。其中许多被设计为部署在服务器上，并且已经过优化以针对构建模型进行评分 - 这是您正在尝试做的机器学习术语 - 有效。
但是，这些库通常旨在从训练数据中学习树的结构，而您希望手动构建它。要使用这种方法，您需要找到一个模型格式可以访问和“伪造”的库。我不知道自己应该推荐哪一个，在这里寻求关于图书馆的建议是题外话，但Data Science 可能会有所帮助。
一种选择是在PMML 中对您的树进行编码，然后将其导入可以执行 PMML 模型的平台。例如，我相信这可以在 SQL Server 和/或 Microsoft Azure 中完成。 This reference 描述了另一种部署 PMML 模型的方法。
或者，您可以生成一个显示所需规则的合成数据集，然后使用您喜欢的任何分类树库在该数据上训练模型。
【讨论】：