machine-learning - 训练和测试集在构建决策树并使用它进行分类中的作用

Question

我已经在 weka 工作了几个月了。目前，我正在奥斯特福尔德大学学院学习机器学习类(class)。我需要一种更好的方法来构建基于分离的训练和测试集的决策树。任何想出好主意的人都会感到非常轻松。提前致谢。

-新

Answer 1

您可能会要求更具体的内容，但总的来说:

您使用训练集构建决策树，并使用测试集评估该树的性能。换句话说，在测试数据上，您调用一个通常名为 c*lassify* 之类的函数，传入新建的树和您希望分类的数据点(在测试集中)。

此函数返回该数据点所属的树中的叶(终端)节点 - 并假设该叶的内容是同质的(填充来自单个类的数据，而不是混合)，那么您有本质上为该数据点分配了一个类标签。当您将树分配的类标签与数据点的实际类标签进行比较，并对测试集中的所有实例重复该操作时，您就有了一个评估树性能的指标。

经验法则:打乱数据，然后将 90% 分配给训练集，将另外 10% 分配给测试集。