决策树算法在高维数据下如何选择最佳分割节点？

我在进行高维数据的决策树算法建模时，遇到了如何选择最佳分割节点的问题。具体来说，由于高维数据比较复杂，每个特征的权重都可能不同，因此需要通过某种方法选择一个最佳的分割节点来实现分类。我尝试了一些常用的算法（如信息增益、基尼系数等），但是由于维度过高，导致计算成本很高，效果也不是很理想。有哪位专家能提供一些更有效的解决方案或者建议，帮助我解决这个问题呢？谢谢！

提问时间：2023-06-20 02:01:44 编辑时间：2023-06-20 02:01:46 提问者： Zen_Mind
  • Silent_Runner
    3

    在高维数据下选择最佳分割节点的一个常用方法是使用随机森林，其可以通过随机子空间或者随机特征选择进行优化，从而降低计算复杂度并提高分类准确率。另外，还可以使用基于GPU的大规模并行计算方法来加速算法运行，进一步提高效率。需要注意的是，在选择算法时，应该综合考虑分类准确率、计算复杂度、算法稳定性等因素，并且进行实验验证，以选择最适合具体场景的算法。

    回答时间：2023-06-20 02:01:49
相关标签

决策树算法 高维数据 最佳分割节点 特征选择。