Algorithm 如何使用交叉验证方法建立决策树？

我很想知道，当我们使用交叉验证时，决策树是如何生成的。在教程中，我读过交叉验证，试图找到最佳的准确性或最低的错误率，但决策树是如何生成的还不清楚

例如，在K=10时，是否从其他10棵树中选择最好的树

或者它尝试选择树中的所有冗余边

我的意思是我不明白最后一棵树是如何由另外10棵树组成的

---

问候。

我相信这是一个类似的问题：

交叉验证用于更好地评估任何性能度量，以评估ML算法的性能。当K=10时，您将在不同的数据分割上重复10次树构建算法（例如ID3），每次您在9个部分上训练模型并评估其余部分（验证集）的性能。然后可以证明，作为性能估计，10组的平均值现在将不那么有偏差

假设我们在训练和验证集中拆分数据集。训练集上的错误将过于乐观，因为零件可能是由于过度装配造成的。验证错误会更好，但很糟糕，我们不能使用验证集中的信息来训练我们的模型，尤其是当我们的数据可用性有限时。您可以将交叉验证视为一种巧妙的方法，它仍然可以利用所有可用的数据。

不是一种寻找最佳模型的方法，而是“对模型预测性能进行更准确的估计”

因此，这并不意味着输出尽可能好的决策树，但您可以例如以更高的统计显著性相互评估不同的超参数设置（导致不同的决策树）