我有处理神经网络的经验，特别是具有反向传播性质的神经网络，并且我知道在传递给训练器的输入中，当引入隐藏层时，输入之间的依赖关系是结果模型知识的一部分。
决策网络也是如此吗？
我发现有关这些算法 (ID3) 等的信息有些难以找到。我已经能够找到实际的算法，但是诸如预期/最佳数据集格式和其他概述之类的信息很少。
谢谢。
【问题讨论】：
标签： artificial-intelligence neural-network decision-tree
决策树实际上很容易向其提供数据，因为它们所需要的只是一张数据表，以及该数据中的哪一列是您想要预测的特征（或列）。对于任何特征，该数据可以是离散的或连续的。现在有几种决策树，它们对连续值和离散值有不同的支持。而且它们的工作方式不同，因此了解每一种的工作方式可能具有挑战性。
Different decision tree algorithms with comparison of complexity or performance
根据您感兴趣的算法类型，如果您想尝试实现它，如果不阅读实际论文，可能很难找到信息。我已经实现了 CART 算法，唯一的选择是找到关于它的原始 200 页的书。大多数其他处理方法只讨论了足够详细的拆分等想法，而没有在更高层次上讨论任何其他方面。
至于是否考虑到事物之间的依赖关系。我相信它只假设每个输入特征和预测特征之间的依赖关系。如果输入独立于预测特征，则不能将其用作拆分条件。但是，在其他输入特征之间，我相信它们必须彼此独立。我必须检查这本书以确保这是真的与否，但我认为这是真的。
【讨论】：