决策树学习可以“半监督”吗

Question

我有一个数据集，其中包含三种类型的变量：自然状态、人类决策、响应变量。我正在尝试使用决策树学习使用其他变量来预测响应变量。

我的心智模型是人们在观察自然状态并做出决定。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。我不希望仅仅丢弃决策树模型中的所有变量，然后看看会弹出什么。

这种心智模型有效吗？如果有效，我将如何使用 Azure ML 来实现类似的东西？我什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），事实并非如此。您只需为决策树学习提出非常奇怪的约束，以最终处理特征子集。为了做这样的事情，你需要改变 DT 学习过程，或者最好 - 从头开始​​编码。 DT 是一个非常简单的算法，只需要几百行代码，你的修改是一个简单的 if inside，它说“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，不要看进入‘人类决策’”。因此它非常简单，但我认为没有任何库实际上支持这种约束（因为它远非自然，尤其是对于 DT）。