关键词：
【中文标题】推理引擎与决策树 [关闭]【英文标题】：Inference engines vs Decision trees [closed] 【发布时间】：2011-09-12 15:34:35 【问题描述】：我正在使用带有推理引擎（前向链接）的专家系统，我想用非常简单的概念解释为什么它比决策树更好。 （在一种特定情况下）
我知道 *** 上有一个 similar question，但这不是我要寻找的答案。
这是我的问题：
对于客户关系管理，我使用了许多不同的业务规则（诱导对话规则）来帮助客户对一种产品做出决定。 注意：经常添加规则（每天 2 条）。
客户在得到答案之前会回答一系列问题。业务规则与对话规则相结合，使生成的问卷看起来像由最优决策树生成的问卷。即使隐藏的推理完全不同。
我想知道在这种情况下，与决策树相比，在可扩展性、稳健性、复杂性和效率方面支持（或反对）推理引擎的主要论据是什么。
我已经有了一些想法，但既然我需要说服别人，就好像我从来没有足够的论据。
提前感谢您的想法，如果您能建议我阅读有关此主题的好论文，我会很高兴。
【问题讨论】：
【参考方案1】：前向链推理引擎支持完整的一阶逻辑规范（转换为 if-then 规则），而决策树只能将集合向下推进到特定子集。如果你同时使用这两种方法，比如说，确定用户想要什么车，那么在一阶逻辑中你可以说（CHR 语法；<=> 将 LHS 替换为 RHS）：
user_likes_color(C), available_color(C) <=> car_color(C).
除了确定用户想要的汽车品牌/类型的所有规则之外，推理引擎还会选择颜色以及其他属性。
使用决策树，您必须为颜色设置额外的树。只要颜色不与其他属性交互就可以了，但是一旦它们交互，你就完蛋了：你可能必须为每种颜色复制整个树，除了那些与其他属性冲突的颜色，你需要同时修改树。
（我承认颜色是一个非常愚蠢的例子，但我希望它能传达这个想法。）
【讨论】：
谢谢，这是我的一个想法，但我喜欢你的例子。我的例子不是很好。 （我正在检查正在交互的多数和居住国）。当属性相关时，节点数量会“分解”。【参考方案2】：这么说，我在实践中没有使用过推理引擎或决策树。在我看来，如果你想从给定的训练集学习然后预测结果，你应该使用决策树。例如，如果您有一个数据集，其中包含说明您是否在给定天气条件（风、温度、雨......）的情况下外出烧烤的信息。使用该数据集，您可以构建决策树。决策树的好处是您可以使用剪枝来避免过度拟合，从而避免建模噪声。
如果您有特定的规则，我认为推理引擎比决策树更好，您可以使用这些规则进行推理。 Larsmans 已经提供了一个很好的例子。
希望对你有帮助
【讨论】：
谢谢，这是一个很好的观点。决策树和规则引擎 (Drools)
】决策树和规则引擎(Drools)【英文标题】：Decisiontreesandruleengines(Drools)【发布时间】：2011-06-2017:20:33【问题描述】：在我现在正在处理的应用程序中，我需要定期检查数以万计的对象是否符合某种服务的要求。决策图本身采用以... 查看详情
r构建决策树模型实战
R构建决策树模型实战目录R构建决策树模型实战数据导入模型构建及可视化模型预测推理 查看详情
r语言图形用户界面数据挖掘包rattle：加载uci糖尿病数据集并启动rattle图形用户界面调用party包中的ctree函数构建条件推理树模型并使用rattle可视化条件推理决策树
R语言图形用户界面数据挖掘包Rattle：加载UCI糖尿病数据集、并启动Rattle图形用户界面、调用party包中的ctree函数构建条件推理树模型、并使用rattle可视化条件推理决策树目录 查看详情
用 Python 构建推理引擎
】用Python构建推理引擎【英文标题】：BuildinganInferenceEngineinPython【发布时间】：2011-01-1319:04:00【问题描述】：我正在寻找方向并尝试标记这个问题：我正在尝试在Python中构建一个简单的推理引擎（有更好的名称吗？），它将接受... 查看详情
一文看懂决策树
...决分类问题的算法，决策树算法采用树形结构，使用层层推理来实现最终的分类。决策树由下面几种元素构成：根节点：包含样本的全集内部节点：对应特征属性测试叶节点：代表决策的结果 预测时，在树的内部 查看详情
r语言使用party包中的cforest函数基于条件推理决策树（conditionalinferencetrees）构建随机森林使用varimp函数查看特征重要度使用table函数计算混淆矩阵
R语言使用party包中的cforest函数基于条件推理决策树（Conditionalinferencetrees）构建随机森林、使用varimp函数查看特征重要度、使用table函数计算混淆矩阵评估分类模型性能目录 查看详情
决策树
决策树是应用最广的归纳推理算法之中的一个，它是一种逼近离散函数方法，对噪声数据有非常好的鲁棒性，可以学习析取表达式，广为应用的算法有ID3，ASSISTANT和C4.5。通常决策树代表实例属性值约束的合取（conjunction）的析取... 查看详情
生成决策树的库[关闭]
】生成决策树的库[关闭]【英文标题】：Librarytogenerateadecisiontree[closed]【发布时间】：2012-06-2913:54:40【问题描述】：是否有C#库可以从数据表生成决策树，然后使用它来预测缺失的数据？我做了一些研究，但没有找到任何可以从一... 查看详情
决策树与随机森林
目录决策树的简介 信息增益 如何构建决策树如何避免过拟合剪枝随机森林Bagging算法(套袋发)特征选择决策树的生成决策树和随机森林-知乎Bagging和Boosting的概念与区别-多一点-博客园决策树的简介决策树模型是一种树形结构ÿ... 查看详情
决策树与迭代决策树(转)
... Poll的笔记 cnblogs.com/maybe2030/p/4734645.html阅读目录1.决策树的模型2.决策树的基本知识3.ID3、C4.5&CART4.RandomForest5.GBDT6.参考内容 今天我们来谈一谈机器学习算法中的各种树形算法，包括ID3、C4.5、CART以及基于集成思想的... 查看详情
什么是用于决策树的好的 Python 库？ [关闭]
】什么是用于决策树的好的Python库？[关闭]【英文标题】：WhatisagoodPythonlibraryfordecisiontrees?[closed]【发布时间】：2011-03-0820:40:10【问题描述】：除非我遗漏了什么，否则通常的嫌疑人没有这个....【问题讨论】：考虑一下catch-22...我... 查看详情
决策树与随机森林算法
决策树决策树模型是一种树形结构，基于特征对实例进行分类或回归的过程。即根据某个特征把数据分划分到若干个子区域(子树)，再对子区域递归划分，直到满足某个条件则停止划分并作为叶子节点，不满足条件则继续递归划... 查看详情
开源业务规则引擎jbossdrools
Drools是什么？规则引擎由推理引擎发展而来，是一种嵌入在应用程序中的组件，实现了将业务决策从应用程序代码中分离出来，并使用预定义的语义模块编写业务决策。接受数据输入，解释业务规则，并根据业务规则做出业务决... 查看详情
决策树与随机森林
决策树简介决策树算法以树状结构表示数据分类的结果。每个决策点实现一个具有离散输出的测试函数，记为分支。f(x)=根结点非叶子节点（决策点）叶子节点分支f(x)=\\left\\\\beginaligned根结点\\\\非叶子节点（... 查看详情
使用python解析CSV文件（稍后制作决策树）[关闭]
】使用python解析CSV文件（稍后制作决策树）[关闭]【英文标题】：ParseaCSVfileusingpython(tomakeadecisiontreelater)[closed]【发布时间】：2011-02-1303:31:00【问题描述】：首先，全面披露：这是针对uni分配的，所以我不想收到代码。:)。我更在... 查看详情
rpart 决策树中的 rel 错误和 x 错误有啥区别？ [关闭]
】rpart决策树中的rel错误和x错误有啥区别？[关闭]【英文标题】：Whatisthedifferencebetweenrelerrorandxerrorinarpartdecisiontree?[closed]rpart决策树中的rel错误和x错误有什么区别？[关闭]【发布时间】：2015-05-2516:09:54【问题描述】：我有一个来... 查看详情
决策树与随机森林
决策树是一个无参有监督的机器学习算法。Quinlan提出了ID3决策树算法，Breiman等人提出了CART决策树算法，1993年Quinlan又提出了C4.5决策树算法。一般而言，决策树的建树最常见的是自下而上的方式。一个给定的数据集被... 查看详情
决策树与随机森林
决策树 决策树学习采用的是自顶向下的递归方法,其基本思想是以信息熵为度量构造一棵熵值下降最快的树,到叶子节点处的熵值为零, 此时每个叶节点中的实例都属于同一类。决策树三种生成算法ID3--- 信息增益 最... 查看详情