Artificial intelligence 一个经过训练的决策树是否总能为某些数据输入返回一个预测？

如果我有一个训练有素的决策树，是否仍然有一些属性组合是树无法预测的？我想说的是，有没有可能有一个决策树，它能够响应来自一个数据集的所有可能的输入组合，而这个数据集并没有经过训练？我不关心树的准确性，相反，我想知道一个好的决策树是否能够预测所有可能的输入组合

谢谢你的帮助

这取决于“属性组合”指的是为其提供值的属性集，还是指（所有属性）特定值的组合。例如，假设您有属性A、B、C和D。属性A可以有值{A_1、A_2、…、AA_n}（属性B、C和D也是如此）

如果“属性组合”，您的意思是，有时将为所有属性提供值，但有时仅为子集提供值（例如，仅为a、C和D提供值），那么这取决于特定的决策树实现。例如，要求每个示例都具有所有属性的值，而没有（即，它处理缺少的属性）

如果“属性组合”的意思是，所有属性始终存在，但在训练过程中未遇到所有属性值组合（例如，没有具有该组合的训练样本（A_2、B_5、C_1、D_4）），则是的，经过训练的决策树应能处理这些情况。更具体地说，经过训练的树应该能够对其训练的属性的所有值组合进行分类

如果与特定属性对应的节点没有具有该属性特定值的训练样本，则基于父节点的属性值（靠近根的下一个节点）进行预测。例如，假设您有一个新的观测值（a_2，B_5，C_1，D_4）。您可以有一个经过训练的树，其根节点在属性C上分支。根据给定的属性值C=C_1，该树可以在属性B上分支，并根据B=B_5，进行预测。可能没有组合（*，B_5，C_1，*）的训练样本。在这种情况下，预测仅基于值C＝C_1

或者可能有C=C_1和B=B_5的训练示例，但这种组合已经足以做出预测。在这种情况下，新观测值A和D的值与B和C的组合无关。由于所有匹配（*，B_5，C_1，*）的新观测值具有相同的预测，因此不必在训练数据中也存在相关的A和D值