Python 如何解释h2o决策树？

我绘制了一个h2o决策树： 我跟随了很多关于SO的帖子，如果我错了，请纠正我，但是叶子上的值是相关性，级别是分类值的计数，树0表示创建的第一棵树。 现在我的问题是

---

1.我无法计算出分类值中的大于或等于符号和小于符号。例如，如果我们在Z之后继续，如果您正在构建一个简单的决策树，那么叶节点上的值是输出概率，而不是相关性，并且级别不是分类值的计数，因为您可以在不同级别的树中重复多个特征。级别由训练模型时提供的深度决定

“大于”或“小于”标志表示您必须前往的方向。例如，在级别1，如果z>10.0325，则向右移动，但如果z>10.0325，则在树中向左移动。NA基本上表示，若值小于阈值或为空，则向左移动。您的模型在数值上考虑了分类变量，H2O为您提供了使用分类_编码改变这一点的选项。由于数据为数字格式，因此被解释为数字格式

再次出现决策1的原因是因为您的模型正在检查不同的特征以验证结果。如果第一级失败，并且模型对输出不确定，它将检查第二级并执行相同的操作，然后继续向下树，直到达到预测

---

你说的高度由深度决定是什么意思？该模型有200个分类变量，因此很明显，第一个节点的每侧有100个，最后一个节点有96个和4个。那么c的概率1或z>10.0325的概率1意味着什么？这不是决策树的工作原理。。。从提供的图像中，根的右子树在第一级结束。您可以从树中看到，模型检查z是否有更大的阈值，如果失败，它将检查z是否有更小的阈值，如果仍然失败，则预测值为0.0，否则它将检查c并进行最终预测。几乎完成了，谢谢！如果你看最后一级，左边是96级，右边是4级，96级意味着什么？模型是否检查c，如果它有这4个分类，概率为1，如果它的c有96个其他分类，概率为0？这是你的问题二元分类，你是否为每个类建立一棵树。在这种情况下，概率的含义会发生变化，但其余的则保持不变。所以，核实一下。如果要构建多棵树，则叶值将显示预测属于该类的概率。