Как дерево обрабатывает выбросы признаков, отсутствующие в обучающей выборке?

Gli alberi decisionali gestiscono generalmente valori mancanti o nuovi delle caratteristiche durante la previsione utilizzando diversi approcci:

• Utilizzo di un percorso predefinito: Se durante la divisione per una caratteristica si incontra un valore assente nel set di addestramento, l'albero può indirizzare l'oggetto lungo un percorso predefinito (ad esempio, quello più utilizzato o con le migliori statistiche).

• Gestione dei valori mancanti come una classe separata: Durante l'addestramento, si può riservare un valore separato per i valori mancanti o nuovi, in modo che l'albero impari a lavorare con essi.

• Distribuzione ponderata: Alcune implementazioni (ad esempio, nel gradient boosting) distribuiscono l'oggetto su più rami con pesi determinati, basati sulle statistiche del set di addestramento.

In questo modo, l'albero non si rompe quando incontra un nuovo valore di una caratteristica, ma utilizza euristiche o statistiche per prendere una decisione. Ciò consente al modello di essere più robusto agli outlier e ai dati nuovi.