1回答

liuyubobobo

2021-08-10

如果你的意思是 2 和 3 之间把 2.1，2.2，2.3.... 都试一遍，没有必要。

因为对于训练数据集来说，其实这个划分点在两个数据点之间的哪里，都不会影响划分结果，也不会影响信息熵，也不会影响最终对训练数据集的分类结果；

而对测试数据集来说，在两点的中间是最好的假设。这有点儿像 SVM，margin 离中间的决策边界的距离是相等的。

再比如说，假设某一个身体指标，2 是不健康，3 是健康，只有这两个数据点，你认为健康和不健康的分界线在哪里？最好的假设就是 2.5。没有其他数据支撑这个假设点放在 2.2 或者 2,8 是更好的。

我不很确定 sklearn 是如何操作的，不排除其最终决定的分类点依据某些权值又做了一些调整。但中间值是一种很标准的做法。这里是一个相关的讨论，你也可以参考：https://datascience.stackexchange.com/questions/24339/how-is-a-splitting-point-chosen-for-continuous-variables-in-decision-trees

不过这一小节的代码有一个问题，就是计算信息熵确实不应该用均值，而应该用加权均值。可以参考这里：http://coding.imooc.com/learn/questiondetail/68117.html 

继续加油！：）

0

0