如何解释 h2o 决策树？
How to interpret an h2o decision tree?
我绘制了一个 h2o 决策树：
我关注了很多关于 SO 的帖子，如果我错了，请纠正我，但是叶子上的值是相关性，级别是分类值的计数，树 0 表示创建的第一棵树。
现在我的问题是
1. 我无法弄清楚分类值的 "greater or equal" 符号和 "smaller than" 符号。例如，如果我们在 Z<10.032598 之后继续，我们在右边有 "greater or equal" 符号，这意味着什么？此外，我们在左侧有一个 "smaller than" 符号，其中 NA 是分类变量，但是 "smaller than" 分类变量甚至意味着什么？
2. 如果我们从顶部 (c) 开始向右走，我们得到值 1，我理解这意味着 c 有 1 个相关性。但是如果我们再次下降 1 级到 Z<10.032598 ，右边的 "greater than or equal" 符号再次暗示 1 相关性。这是什么意思？
如果您正在构建一个简单的决策树，则叶节点的值是输出概率，而不是相关性，并且级别不是分类值的计数，因为您可以在树中的不同级别重复多个特征。级别取决于您在训练模型时提供的深度。
大于号或小于号表示你要去的方向。例如在第 1 级，如果 z>10.0325 比你向右走，但如果它小于你在树中向左走。 NA 基本上表明，如果值小于阈值或为空，则向左走。您的模型正在考虑数值类别变量，H2O 为您提供了使用 categorical_encoding 更改它的选项。由于数据是数字格式，因此解释为数字。
再次做出决定 1 的原因是您的模型现在正在检查不同的特征以验证结果。如果第一级失败并且模型不确定输出，它会检查第二级并做同样的事情，然后沿着树向下走，直到达到预测。
我绘制了一个 h2o 决策树：
我关注了很多关于 SO 的帖子，如果我错了，请纠正我，但是叶子上的值是相关性，级别是分类值的计数，树 0 表示创建的第一棵树。
现在我的问题是
1. 我无法弄清楚分类值的 "greater or equal" 符号和 "smaller than" 符号。例如，如果我们在 Z<10.032598 之后继续，我们在右边有 "greater or equal" 符号，这意味着什么？此外，我们在左侧有一个 "smaller than" 符号，其中 NA 是分类变量，但是 "smaller than" 分类变量甚至意味着什么？
2. 如果我们从顶部 (c) 开始向右走，我们得到值 1，我理解这意味着 c 有 1 个相关性。但是如果我们再次下降 1 级到 Z<10.032598 ，右边的 "greater than or equal" 符号再次暗示 1 相关性。这是什么意思？
如果您正在构建一个简单的决策树，则叶节点的值是输出概率，而不是相关性，并且级别不是分类值的计数，因为您可以在树中的不同级别重复多个特征。级别取决于您在训练模型时提供的深度。
大于号或小于号表示你要去的方向。例如在第 1 级，如果
z>10.0325比你向右走，但如果它小于你在树中向左走。NA基本上表明，如果值小于阈值或为空，则向左走。您的模型正在考虑数值类别变量，H2O 为您提供了使用categorical_encoding更改它的选项。由于数据是数字格式，因此解释为数字。再次做出决定
1的原因是您的模型现在正在检查不同的特征以验证结果。如果第一级失败并且模型不确定输出，它会检查第二级并做同样的事情，然后沿着树向下走，直到达到预测。