在庞大的数据集上学习决策树

Question

我正在尝试使用 MATLAB 从巨大的（即不能存储在内存中的）数据集构建二元分类决策树。本质上，我正在做的是：

1. 收集所有数据
2. 在数据上尝试 n 个决策函数
3. 挑出best decision function来分隔数据中的类
4. 将原始数据集一分为二
5. 拆分递归

数据有k个属性和一个分类，所以存储为一个巨大行数的矩阵，k+1 列。决策函数是布尔值，作用于将每一行分配给左子树或右子树的属性。

现在我正在考虑将文件中的数据存储在可以保存在内存中的块中，并为每一行分配一个 ID，以便通过顺序读取所有文件来决定拆分，并且未来的拆分由身份证号码。

有谁知道如何以更好的方式做到这一点？

编辑：行数 m 约为 5e8，k 约为 500

Answer 1

在每次拆分时，您都将数据集分成越来越小的子集。从单个数据文件开始。将其作为流打开，一次只处理一行以确定要拆分的属性。有了第一个决策函数后，将原始数据文件拆分为 2 个较小的数据文件，每个文件包含拆分数据的一个分支。递归。数据文件应该越来越小，直到您可以将它们加载到内存中。这样，您就不必标记行并在巨大的数据文件中不停地跳来跳去。