Machine learning 基于决策树的模型能预测未来吗？

我试图建立一个模型，预测每月、每周和每天的运输量。 我发现基于决策树的模型比线性回归更有效

但我读了一些关于机器学习的文章，上面说基于决策树的模型不能预测未来哪个模型没有学习。（外推问题）

因此，我认为这意味着，如果数据分布在列车数据的日期之间，则模型可以很好地预测，但如果数据的日期超出范围，则无法预测

我想确认我的理解是否正确。 一些帖子显示使用随机森林模型对基于日期时间的数据进行预测，这让我感到困惑

另外，请让我知道是否有任何方法可以克服基于决策树模型的外推问题

这取决于数据。 决策树预测[训练数据的类值最小值，训练数据的类值最大值]范围内任何样本的类值。例如，假设有五个样本[（X1，Y1），（X2，Y2），…，（X5，Y5）]，经过良好训练的树有两个决策节点。第一节点N1包括（X1，Y1）、（X2，Y2），另一节点N2包括（X3，Y3）、（X4，Y4）和（X5，Y5）。然后，当样本达到N1时，树将预测一个新样本为Y1和Y2的平均值，但当样本达到N2时，树将预测一个新样本为Y3、Y4、Y5的人

---

因此，如果新样本的类值可能大于训练数据类值的最大值，或者可能小于训练数据类值的最小值，则不建议使用决策树。另外，基于树的模型（如随机森林）表现出良好的性能

这里可能存在不同形式的外推问题。 如前所述，用于分类的经典决策树只能预测其在训练/创建过程中遇到的值。从这个意义上讲，您不会预测任何以前看不见的值。 如果让分类器预测相对更新而不是绝对值，则可以解决此问题。但是，您需要对数据有一些了解，以确定什么最适合不同的情况。 对于用于回归的决策树，情况类似

“外推”的下一个问题是，如果您的培训数据的统计数据随时间而变化，那么决策树的性能可能会很差。再次，我建议预测更新关系。 否则，基于最近训练数据的预测可能会产生更好的预测。由于单个决策树不能以在线方式进行训练，因此您必须每x个时间步创建一个新的决策树

---

更进一步说，我想说的是，您需要开始在状态机中思考，并尝试使用您的分类器进行状态预测。但从我上次检查时起，这是一个相当未知的决策树理论领域。如果您已经考虑了一些数据关系的模型，这将更好地工作。

我对决策树不是特别熟悉，但一般来说：这取决于您建模的内容。为了知道你的模型是否能预测未来，你需要知道未来。