← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 9840.g · 生成模型:Hunyuan

决策树分类:递归遍历到叶子

理解等级:中级

训练好的树是一棵嵌套字典,分类就是沿它往下走。predict 接收树、特征标签列表和测试向量:取根节点名,找到它在 featLabels 中的位置,用测试向量在该位置的值作 key 去第二层字典里查;若查到的是子字典,就以子树递归调用 predict;若查到的是类别标签,就直接返回。

例如树根是 age、标签序为 [age,revenue,student,credit],测试向量 [‘0’,‘1’,‘0’,‘0’] 先按 age=0 进入青年分支,该分支是 student 子树,再按 student=0 取到 ‘no’,与真实标签一致。

要点是特征标签的顺序必须与训练时一致,否则索引错位会走到错误分支;predict 只依赖树的字典结构与标签序,不必重新读取训练数据。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《机器学习算法原理与编程实践》第3章 决策树的发展(源文件:extracted/机器学习算法原理与编程实践/_epub-src/OEBPS/text00013.html) - 结论依据:原文给出 predict 的递归实现与向量 ['0','1','0','0'] 的预测示例并展示输出与真实标签一致,支撑“沿树递归查表到叶子”的解释。 - 原始内容:root = inputTree.keys()[0] # 树根节点 secondDict = inputTree[root] # value-子树结构或分类标签 featIndex = featLabels.index(root) # 根节点在分类标签集中的位置