所以我只是想知道，为什么我们不只是简单地将这种提升纳入我们构建的每个决策树？因为目前我们将提升作为一种单独的技术，所以我在思考：使用提升比使用单一决策树有任何缺点吗？
感谢您帮助我！
答案 0 :(得分：4)
Boosting是一种可以在任何学习算法上发挥作用的技术。当你构建的原始分类器几乎不会随机执行时，它是最有效的。如果你的决策树已经相当不错了，那么提升可能没什么大不同，但会有性能损失 - 如果你进行100次迭代的增强，你将需要训练和存储100个决策树。
通常人们会通过决策树桩（只有一个节点的决策树）来提升效果，并获得与使用完整决策树提升一样好的结果。
我已经完成了一些experiments的提升，并发现它相当健壮，比单树分类器更好，但也更慢（我曾经10次迭代），并不如一些更简单的学习者（公平地说，这是一个非常嘈杂的数据集）
答案 1 :(得分：1)
有几种促进增长的不利因素： 1 - 难以实施 2 - 他们需要对训练集进行广泛的训练而不是决策树 3-最糟糕的是所有提升算法都需要阈值 这在大多数情况下都不容易弄清楚，因为它需要大量的试验和错误测试，因为他们知道提升算法的整体性能取决于这个阈值