决策树性能答案

【问题标题】：Decision Trees performance决策树性能
【发布时间】：2018-03-03 02:47:16
【问题描述】：

决策树何时表现良好。我绘制了一些图表来比较一个基于决策树的模型和另一个使用逻辑回归的模型。决策树构建模型花费的时间较长，而 LRclassifier 花费的时间较短。此外，logistic 的 f-score 比该模型的决策树要高。所以我想知道什么时候应该使用决策树。

【问题讨论】：

【解决方案1】：

当训练数据相关时，单个决策树的运行准确率约为 75%-80%。 “随机森林决策树”进一步提高了准确性。这通常是当有几个决策树被训练并且他们对结果“投票”时。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。

【讨论】：

【解决方案2】：

问题看起来有点不完整。您还应该显示那些绘制的图表以及应用这两个模型的数据的详细信息。

但与线性回归和逻辑回归相比，决策树仍然具有高度可解释性。简单来说，DT 只是嵌套的 if-else 语句。通过可解释性，我的意思是您的模型应该说明它选择特定类作为标签的原因，而不仅仅是说查询点属于 0 类或 1 类。

【讨论】：

【解决方案3】：

通常您会一次性生成模型，然后使用它来分类新的数据实例。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某些此类情况动态生成它。

【讨论】：