主要内容
成长决策树
默认情况下，菲茨特里和菲特里使用标准推车算法［1］创建决策树。也就是说，它们执行以下步骤：
从所有输入数据开始，检查每个预测器上所有可能的二进制分割。
选择具有最佳优化标准的拆分。
拆分可能导致子节点的观测值太少（小于
小叶大小参数)。为了避免这种情况，软件选择一个能产生最佳优化标准的分割小叶大小限制
实行分裂。
对两个子节点递归重复。
解释还需要两项：优化标准和停止规则的描述。
停止规则：当下列任何一种保持时停止分裂:
节点是纯净的.
对于分类，如果一个节点只包含一个类的观察值，则该节点是纯节点。
对于回归，如果该节点中观测响应的均方误差（MSE）低于整个数据中观测响应的MSE乘以每个节点的二次误差公差，则该节点为纯节点(
正交误差容限参数)。
少于
MinParentSize此节点中的观察结果。施加在此节点上的任何拆分都会生成小于
小叶大小观察。算法分裂
最大数分裂节点。
优化标准：
有关可选的分割预测器选择技术，请参阅选择分割预测器选择技术.
对于连续预测器，树可以在为该预测器找到的任何两个相邻唯一值之间分割一半。对于具有L级别，分类树需要考虑2L–1–1个拆分以找到最佳拆分。或者，您可以选择一个启发式算法来找到一个好的拆分，如中所述分类树中分类预测因子的分裂.
对于双核及以上系统，菲茨特里和菲特里使用Intel并行化训练决策树®线程构造块（TBB）。有关英特尔TBB的详细信息，请参阅https://software.intel.com/content/www/us/en/develop/tools/oneapi/components/onetbb.html.
参考文献
[1] 布莱曼、弗里德曼、奥尔申和斯通。分类和回归树。佛罗里达州博卡拉顿：查普曼与霍尔，1984年。
另见
相关的话题
您还可以从以下列表中选择网站：
