Как дерево обрабатывает выбросы признаков, отсутствующие в обучающей выборке?

As árvores de decisão geralmente lidam com valores ausentes ou novos de atributos durante a previsão usando várias abordagens:

• Uso de um caminho padrão: Se ao dividir por um atributo encontrar um valor que não está no conjunto de treino, a árvore pode direcionar o objeto por um caminho predefinido (por exemplo, o mais utilizado ou o com a melhor estatística).

• Tratamento de valores ausentes como uma classe separada: Durante o treino, pode-se reservar um valor separado para valores ausentes ou novos, para que a árvore aprenda a trabalhar com eles.

• Distribuição ponderada: Algumas implementações (por exemplo, no gradient boosting) distribuem o objeto por várias ramificações com pesos determinados, baseados na estatística do conjunto de treino.

Dessa forma, a árvore não quebra ao encontrar um novo valor de uma característica, mas usa heurísticas ou estatísticas para tomar uma decisão. Isso permite que o modelo seja mais robusto a valores extremos e a dados novos.