我刚刚开始使用 Weka，当我的决策树太深时我无法理解。 我有一组 423 个特征，据我所知，这些特征是为每个目标随机选择的。因此，这些特征子集生成带有决策叶的分支或流程，这些决策叶似乎不通用，实际上它们太具体了，因为它们仅适用于语料库中所有案例中的一两个案例，例如，否(2/0 )，是(1/0)。 我认为它不能很好地概括，也许这是因为决策树太深了。所以我的问题是，树的 maxDepth 应该是多少？我如何知道树何时太深？我尝试将 maxDepth 更改为 10，但叶子仍然包含基于少数情况的决策。 另外，默认情况下 Weka 生成 10 棵树，我想知道设置更多的树是否会给我带来更好的结果。我读过随机森林适用于 100,300 甚至 500 棵树，但我不知道这是否适用于一组 423 个特征。 最后，我想知道这个决定中的“1”意味着什么:“否(632/1)”。这是否意味着 632 个被正确分类为“否”，但有一个虽然是“否”却被分类为"is"？ “1”是误报吗？ 感谢您的帮助!
最佳答案
在这种情况下，最好尝试的是对参数进行网格搜索。因此，您可以决定性能指标并找出不同参数的值。这将有利于确定最佳参数设置。还尝试在验证集而不是训练集上计算性能指标。
关于tree - WEKA - RandomForest 如何知道树何时太深？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/27429715/