Создание дерева решений, которое идеально моделирует набор упражнений?

Question

У меня есть мой набор данных, которые являются моими правилами, и я хочу создать дерево решений, которое, по крайней мере, имеет 100% точность при классификации моих правил, но я никогда не смогу получить 100%. Я установил minNumObjs равным 1 и сделал это unpruned, но я получаю только 84% правильно классифицированных экземпляров.

Мои атрибуты:

@attribute users numeric 
@attribute bandwidth numeric 
@attribute latency numeric 
@attribute mode {C,H,DCF,MP,DC,IND} 

экс данные:

2,200000,0,C 
2,200000,1000,C 
2,200000,2000,MP 
2,200000,5000,C 
2,400000,0,C 
2,400000,1000,DCF 

Может кто-то помочь мне понять, почему я никогда не могу получить 100% моих экземпляров, классифицируемых и как я могу получить 100% из них (в то же время позволяя моим атрибутам быть числовыми)

СООБЩЕНИЕ

Answer 1

Иногда невозможно получить 100% -ную точность из-за идентичных векторов признаков, имеющих разные метки. Я предполагаю в вашем случае, что users, bandwidth и latency являются функциями, а mode - это метка, которую вы пытаетесь предсказать. Если это так, то могут быть одинаковые значения {users, bandwidth, latency}, которые имеют разные метки mode.

В общем, имеющей разных этикетках для одних и тех же функций, могут произойти через один из нескольких способов:

1. Существует шум в данных из-за плохое чтение данных.
2. Существует источник случайности, который не захвачен.
3. Есть больше возможностей, которые могут различать разные метки, но функции не находятся в вашем наборе данных.

Теперь вы можете сделать свой тренировочный набор через дерево решений и найти предметы, которые были неправильно классифицированы. Попытайтесь определить, почему они ошибаются, и посмотрите, показывают ли какие-либо экземпляры данных то, что я написал выше (а именно, что есть экземпляры данных с теми же функциями, но с разными метками).