【发布时间】：2018-01-08 16:31:33
【问题描述】：
我正在使用 Scikit Learn 的决策树对数据集进行回归。
我得到了非常好的结果，但我担心的一个问题是许多功能的相对不确定性非常高。
我尝试只删除具有高不确定性的案例，但这会显着降低模型的性能。
特征本身是通过实验确定的，因此它们具有相关的实验不确定性。数据本身没有噪音。
所以我的问题是，有没有一种将与特征相关的不确定性纳入机器学习算法的好方法？
感谢大家的帮助！
【问题讨论】：
-
对不确定的特征添加随机噪声，对每个变异数据集做回归，计算回归参数的统计量？
-
您能否详细说明“许多功能的相对不确定性非常高”？例如，您是否期望输入数据中有很多噪音？如果是这种情况，您可以尝试许多消除/减少/调节噪音的策略。
-
特征本身是通过实验确定的，因此它们具有相关的实验不确定性。数据本身没有噪音。
标签： python python-3.x machine-learning regression decision-tree