问为什么连续特征在决策树模型中比分类特征更重要？

EN

这可能是你编码分类变量的方式。

如果您做了一个热编码(虚拟)，每个编码的功能将只有两个可能的值0,1。二元变量在决策树中的重要性通常较小，因为它是如何计算特征权重的。

假设每一个例子，您都在试图预测Alive==0，Dead ==1的病人的病情。假设您有一个名为Head_Shot0,1的功能，这是非常罕见的，它在数据集中只出现了几次。

线性模型会给这个系数分配很多权重，因为它对目标变量是至关重要的。如果发生这种情况，其余的特性就没有意义了。

对于决策树，它可以在其中一棵树中进行分割，并且由于它计算了一个特征加权时间的重要性，它看起来不可能有这样一个相关的权重。

我猜你是在做一个热编码。与其他技术，这将是不同的。我还假设了计算特性重要性的方法。所以这远远不是一个科学的答案。

连续变量在决策树中可能具有更重要的意义，因为每一棵树都可以在其过程中进行多个分裂。

很抱歉，这个例子有点过激，但我相信这说明了问题所在。

在决策树模型中，特征是根据参与的分割数排列的。连续特征被分割的频率比分类特征更多。