优势：

1、树生成的过程是透明的，方便分析；
2、不需要对变量进行转换（变量的任何单调转换都会得到相同的树）；
3、变量子集的选择是自动的，因为它是分割选择的一部分；
4、树在本质上对异常值也是稳健的，因为分割的选择取决于数值的排序，而不是这些数值的绝对大小；
5、可以处理缺失的数据，而不需要估算数值或删除缺失的记录。

劣势：

1、可能会忽视变量之间的线性关系（因为树是非线性和非参的）；

2、对数据的变化很敏感，即使是轻微的变化也会导致非常不同的拆分；
3、在预测器空间的横向和纵向分割能充分划分‘类别的情况下，分类树是有用的，但通过对角线或其他方法实现分类时，分类树的性能可能会低于判别分析等方法；
【针对这个劣势，提高性能的一个方法是创建新的预测变量，这些预测因子来自于现有的预测因子，它们可以捕捉预测因子之间的假设关系（类似于回归模型中的相互作用）；随机森林也可以缓解这个劣势。】
4、它们需要一个大的数据集，以便构建一个好的分类器；
5、从计算的角度来看，树的生长成本相对较高，在计算每个变量的所有可能的分叉时需要进行多次排序；
6、避免过度拟合的过程中，如交叉验证或使用验证集修剪数据，也会进一步增加计算时间；
7、树会 "偏爱 "有许多潜在分裂点的预测变量。
【一个简单的解决方案是将多个类别合并成一个较小的集合，并将具有许多数值的数字预测器归类。一些特殊的算法通过使用不同的分割标准来避免这个问题，R软件包party中的条件推理树和QUEST分类树。】

参考：

《Data Mining for Business Analytics for Python》Chapter9

分类树（回归树）的优劣势相关推荐

分类与回归树(CART)相关知识
文章目录 CART算法 CART回归树生成 CART分类树的生成连续值处理: 离散值处理: CART 剪枝 CART算法分类与回归树(CART)是应用广泛的算法,同样由特征选择.树的生成及剪枝组成 ...
数据挖掘十大经典算法--CART: 分类与回归树
一.决策树的类型在数据挖掘中,决策树主要有两种类型: 分类树的输出是样本的类标. 回归树的输出是一个实数 (例如房子的价格,病人呆在医院的时间等). 术语分类和回归树 (CART) 包含了上述 ...
CART分类与回归树
一.CART分类与回归树资料转载: http://dataunion.org/5771.html http://blog.sina.com.cn/s/blog_afe2af380102x020.ht ...
CART分类与回归树的原理与实现
算法概述 CART(Classification And Regression Tree)算法是一种决策树分类方法. 它采用一种二分递归分割的技术,分割方法采用基于最小距离的基尼指数估计函数,将当前的 ...
1. 分类与回归树原理（CART）
1. 简介分类与回归树(Classification And Regression Tree),采用二分递归分割技术,将当前样本集划分成两个子集,即其结构为二叉树,每个内部节点均只有两个分支.左分支 ...
ML之DT之CART：分类与回归树CART算法的简介、应用、经典案例之详细攻略
ML之DT之CART:分类与回归树CART算法的简介.应用.经典案例之详细攻略目录分类与回归树CART算法简介 1.CART原理-比较ID3.C4.5 2.CART算法描述 CART算法的案经典案 ...
决策树6：分类与回归树CART
0x01 概念介绍 1.1 CART算法 CART算法:Classification And Regression Tree.顾名思义,CART算法既可以用于创建分类树(Classification ...
CART 分类和回归树
背景 CART(Classification And Regression Tree)可以做分类树也可以做回归树.注意特征可以是不同的类别,标签也可以是不同的类别. 回归树求最优的数据切分点,首先要 ...
机器学习系列之手把手教你实现一个分类回归树
https://www.ibm.com/developerworks/cn/analytics/library/machine-learning-hands-on5-cart-tree/index.h ...
监督学习 | CART 分类回归树原理
文章目录 CART 算法 1. CART 生成 1.1 回归树生成最小二乘回归树生成算法 1.2 分类树生成基尼指数 CART 生成算法参考文献相关文章: 机器学习 | 目录监督学习 | I ...

分类树（回归树）的优劣势

优势：

劣势：

分类树（回归树）的优劣势相关推荐

最新文章

热门文章