Comparative analysis of subset splitting methods for training data in decision tree ensemble

В работе сравнивается точность классификации данных ансамблями решающих деревьев с различными методами разбиения подвыборки обучающих данных. Идея алгоритма построения ансамбля решающих деревьев заключается в последовательном дроблении выборки выбранным методом на две части (подвыборки) до тех пор, пока не будет выполнено условие остановки. В работе реализованы следующие методы: разбиение по одному параметру, разбиение по двум параметрам (ориентированными прямыми) и разбиение по шести параметрам (эллипсами). В результате проведённых исследований были получены графики зависимости доли правильных ответов от значений параметров метода при различных вариантах разбиения. На основе полученных данных сделан вывод, что усложненные методы разбиения не дают большей точности классификации и требуют больше вычислений, чем более простые аналоги