决策树面试题25 题
- 01 回归树是怎么工作的？和分类树有什么区别？
- 02 基尼指数和信息熵有什么区别？为什么 CART 用基尼指数？
- 03 决策树/树模型的特征重要性是怎么计算的？有什么坑？
- 04 决策树的 max_depth、min_samples_leaf 怎么调？
- 05 决策树的基本原理是什么？是怎么构建的？
- 06 决策树的剪枝是什么？预剪枝和后剪枝有什么区别？
- 07 决策树为什么容易过拟合？怎么防止？
- 08 决策树有哪些优缺点？适合什么场景？
- 09 决策树怎么处理连续特征和缺失值？
- 10 类别不均衡时决策树会有什么问题？
- 11 树模型为什么有时需要单调约束？
- 12 为什么决策树方差高？
- 13 CART 分类树和回归树有什么区别？
- 14 ID3、C4.5 和 CART 三种决策树有什么区别？
- 15 信息熵、信息增益、信息增益比、基尼指数分别是什么？
- 16 决策树如何处理类别特征？
- 17 决策树输出的类别概率可靠吗？
- 18 决策树寻找最佳划分为什么会有计算成本？
- 19 决策树叶子节点的预测值是怎么确定的？
- 20 什么是决策树的替代划分？它解决什么问题？
- 21 高基数特征为什么会影响决策树划分？
- 22 决策树模型为什么可能需要概率校准？
- 23 决策树如何处理不同错误成本？
- 24 如何从决策树中抽取可解释规则？
- 25 为什么决策树对数据扰动很敏感？
没有符合条件的题目。