Как дерево обрабатывает выбросы признаков, отсутствующие в обучающей выборке?

Beslissingsbomen behandelen meestal ontbrekende of nieuwe kenmerken tijdens de voorspelling met behulp van verschillende benaderingen:

• Gebruik van een standaardpad: Als bij het splitsen op een kenmerk een waarde wordt gevonden die niet in de trainingsset voorkomt, kan de boom het object naar een vooraf bepaald pad leiden (bijvoorbeeld de meest gebruikte of met de beste statistiek).

• Behandeling van ontbrekende waarden als een aparte klasse: Tijdens de training kan een aparte waarde worden gereserveerd voor ontbrekende of nieuwe kenmerken, zodat de boom leert ermee om te gaan.

• Gewogen verdeling: Sommige implementaties (bijvoorbeeld in gradient boosting) verdelen het object over meerdere takken met bepaalde gewichten, gebaseerd op de statistiek van de trainingsset.

Op deze manier breekt de boom niet wanneer hij een nieuwe waarde voor een kenmerk tegenkomt, maar gebruikt hij heuristieken of statistieken om een beslissing te nemen. Dit maakt het model robuuster tegen uitschieters en nieuwe gegevens.