Artificial intelligence 关于决策树的问题

在研究了一段时间的决策树之后，我注意到有一种叫做boosting的小技巧。我看到在正常情况下，它将提高决策树的准确性

所以我只是想知道，为什么我们不简单地将这种提升合并到我们构建的每个决策树中呢？由于目前我们将boosting作为一种单独的技术排除在外，所以我想：使用boosting是否比只使用单个决策树有任何缺点

---

谢谢你在这里帮助我

增压有几个缺点： 1-难以实施 2-他们比决策树更需要使用训练集进行广泛的训练 3-最糟糕的是，所有增强算法都需要一个阈值

---

在大多数情况下，这是不容易理解的，因为它需要大量的试错测试，因为知道boosting算法的整体性能取决于此阈值

boosting有几个缺点： 1-难以实施 2-他们比决策树更需要使用训练集进行广泛的训练 3-最糟糕的是，所有增强算法都需要一个阈值

---

在大多数情况下，这是不容易理解的，因为它需要大量的试错测试，知道boosting算法的整体性能取决于这个阈值

boosting是一种可以超越任何学习算法的技术。当您构建的原始分类器的性能仅略高于random时，它是最有效的。如果您的决策树已经很好了，那么boosting可能不会有太大的区别，但会带来性能损失——如果您运行boosting进行100次迭代，那么您必须训练并存储100棵决策树

通常，人们使用决策树桩（只有一个节点的决策树）进行增强，并获得与使用完整决策树进行增强一样好的结果

---

我用boosting做了一些研究，发现它相当健壮，比单树分类器好，但速度也慢（我过去迭代了10次），而且不如一些简单的学习者好（公平地说，它是一个非常嘈杂的数据集）

boosting是一种可以超越任何学习算法的技术。当您构建的原始分类器的性能仅略高于random时，它是最有效的。如果您的决策树已经很好了，那么boosting可能不会有太大的区别，但会带来性能损失——如果您运行boosting进行100次迭代，那么您必须训练并存储100棵决策树

通常，人们使用决策树桩（只有一个节点的决策树）进行增强，并获得与使用完整决策树进行增强一样好的结果

---

我用boosting做了一些研究，发现它相当健壮，比单树分类器好，但也比较慢（我过去用了10次迭代），而且不如一些简单的学习者好（公平地说，它是一个非常嘈杂的数据集）

您是否在谈论权重阈值，它决定了数据集中有多少用于培训弱势学习者？据我所知，这是一种性能增强剂，如果不确定，可以将其设置为100%。Weka对AdaBoost的实现没有任何其他可调整的权重阈值——您是在说权重阈值，它决定了要使用多少数据集来训练弱学习者？据我所知，这是一种性能增强剂，如果不确定，可以将其设置为100%。Weka的AdaBoost实现没有任何其他可调整的权重阈值--