当训练集中的样本数量太少时,如何修剪使用ID3构建的决策树。
我不能将其分为训练、验证和测试集,因此这是不可能的。
是否有任何可能使用的统计方法或类似方法?
当训练集中的样本数量太少时,如何修剪使用ID3构建的决策树。
我不能将其分为训练、验证和测试集,因此这是不可能的。
是否有任何可能使用的统计方法或类似方法?
已经进行了大量的研究以确定交叉验证的适当分割方式,发现N=10在给定的额外处理时间内可以获得最佳结果。交叉验证会大幅增加计算时间(N倍),但当数据量较小时,它可以克服样本数量不足的问题。而且由于数据量不大,使用交叉验证在计算上并不那么糟糕。