谁能解释一下这两个陈述:
在成本复杂度修剪中，修剪后的树错误永远不会小于训练数据集上的原始树。
在成本复杂度修剪中，修剪后的树错误永远不会小于验证数据集上的原始树。
第一个陈述是正确的，而第二个陈述是错误的。
最佳答案
这适用于您选择的任何修剪策略，前提是构建原始树以最小化训练集中的错误。
原来的树尽量具体，通过用叶子节点替换子树，只能得到不那么具体的树。所以训练数据中的误差要么保持不变，要么增加，永远不会减少。
我们假设验证集是未知的并且独立于训练数据集。因此，作为一般规则，您不能做出任何此类假设。修剪时，验证数据集上的错误可能会增加、保持不变或减少。
然而，我们预计错误会减少，因为树对训练数据的特定性会降低，因此更有可能与不同的数据集兼容。
关于machine-learning - 成本复杂度修剪 : Pruned error，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/49159179/