Machine learning 修剪决策树对测试集和训练集准确性的影响
我想提高我对剪枝如何影响训练集和测试集准确性的理解 我目前的理解是，它将提高测试集的准确性，因为修剪可以防止树过度拟合。这是正确的想法吗 修剪将如何影响训练集的准确性？我认为这会降低准确性，但为什么呢Machine learning 修剪决策树对测试集和训练集准确性的影响,machine-learning,data-mining,decision-tree,Machine Learning,Data Mining,Decision Tree,我想提高我对剪枝如何影响训练集和测试集准确性的理解 我目前的理解是，它将提高测试集的准确性，因为修剪可以防止树过度拟合。这是正确的想法吗 修剪将如何影响训练集的准确性？我认为这会降低准确性，但为什么呢 感谢您的帮助，谢谢 修剪可能会降低训练集的准确性，因为树也不会学习训练集的最佳参数。然而，如果我们不通过设置适当的参数来克服过度拟合，我们可能最终建立一个无法推广的模型 这意味着模型已经学习了一个过于复杂的函数，它可以完美地预测列车数据，但无法用看不见的数据进行概括。当我们有较低的训练集时，这是一
感谢您的帮助，谢谢 修剪可能会降低训练集的准确性，因为树也不会学习训练集的最佳参数。然而，如果我们不通过设置适当的参数来克服过度拟合，我们可能最终建立一个无法推广的模型 这意味着模型已经学习了一个过于复杂的函数，它可以完美地预测列车数据，但无法用看不见的数据进行概括。当我们有较低的训练集时，这是一个更大的问题，因为训练集本身可能不足以代表未来可能出现的新样本 因此，您需要注意这些参数，以限制最大深度和叶数，防止模型过于复杂 你可能还想读一读这本书