Ein dynamischer Diskretisierungsansatz zur Konstruktion von Entscheidungsbäumen mit einem kontinuierlichen Label

In traditionellen Entscheidungs- (Klassifikations-)baum-Algorithmen wird angenommen, dass das Label eine kategoriale (Klassen-)Variable ist. Wenn das Label eine kontinuierliche Variable in den Daten ist, können zwei mögliche Ansätze basierend auf bestehenden Entscheidungsbaum-Algorithmen verwendet werden, um mit dieser Situation umzugehen. Der erste verwendet eine Datendiskretisierungsmethode in der Vorverarbeitungsphase, um das kontinuierliche Label in ein Klassenlabel zu konvertieren, das durch eine endliche Menge von sich nicht überlappenden Intervallen definiert ist, und wendet dann einen Entscheidungsbaum-Algorithmus an. Der zweite wendet einfach einen Regressionsbaum-Algorithmus an, der das kontinuierliche Label direkt verwendet. Diese Ansätze haben jeweils ihre eigenen Nachteile. Wir schlagen einen Algorithmus vor, der das kontinuierliche Label in jedem Knoten während des Prozess der Bauminduktion dynamisch diskretisiert. Umfassende Experimente zeigen, dass die vorgeschlagene Methode den Ansatz der Vorverarbeitung, den Regressionsbaumansatz und mehrere nicht baumbasierte Algorithmen übertrifft.