Parameters Rapidminer：解释决策树参数

一般来说，我对rapidminer和数据挖掘非常陌生，但我尝试粗略地搜索rapidminer决策树参数中的所有参数的含义，结果发现它们都不存在。我知道什么是叶子，什么是节点，我正想了解一些参数，但如果能分享任何知识，我将不胜感激。 也就是说，他们都是干什么的？ 标准 拆分的最小大小 最小叶大小 最小增益 最大深度 信心

同样在不使用优化的情况下，跟踪误差是获得最佳预测的最佳方法吗？ 谢谢

---

我喜欢使用RAPIDMINER操作符引用。这是一个PDF文件，可在以下位置获得：

本文档中的信息优于应用程序本身中的信息。例如： …目前的案例或示例数量不到一定数量 子树。这可以通过使用分割参数的最小大小进行调整

假设你的标签是“蓝色”、“红色”和“绿色”。决策树有一个节点，其中有2个“绿色”和1个“蓝色”示例。如果拆分的最小大小为4，那么决策树将不会创建新分支，因为节点中只有三个示例。它只会接受这样一个事实，即即使答案并不完美，它也会将节点声明为将示例分类为“绿色”的叶子

最小叶片大小相似。如果决策树的每个分支都指向一个示例，那么即使它可能提供最准确的分类，它也不是很有用。因此，您可以设置树中按叶分类的示例的最小数量。好的值取决于您的数据集和需要。运行决策树，如果有太多的叶子，每次运行中只有几个示例，请增加此参数的值

标准和最小增益稍微复杂一些。标准是RAPD Minder用来判断决策树及其节点有多好的算法。有几种策略，我不知道它们是如何工作的。该标准是RapidMiner用来决定是在节点下创建子树，还是将节点声明为叶子的标准之一。它还应该控制一个子树从子树的根节点延伸出多少分支

决策树有更多的选项，每种决策树可以有不同的参数。我通过阅读一个参数的描述来了解它们，假设如果我改变参数会发生什么，然后创建一个新的决策树，看看我的假设是否正确。做实验，玩得开心