使用decision-tree-learner时预测误差率恒为0的问题求助

背景与问题描述 #

我正在基于决策树学习算法构建模型，在数据集上开展测试，同时想要计算模型的预测误差率，用来绘制训练集与测试集的学习曲线。我设置了循环让算法执行n次（n为自定义值），用internal_nodes变量存储每次生成的内部节点数作为学习曲线的横坐标，每次调用都会返回这个值。

我编写了count_errors()函数来统计预测值与真实值的差异，但无论怎么测试，计算得到的误差始终是0。我单独测试了单次迭代的情况，算法运行流程看起来是正常的，所以推测问题出在误差计算的逻辑里，恳请大家帮忙排查问题。

相关代码片段 #

误差统计函数 #

def count_errors(examples, target, tree):
    counter = 0
    for ex in examples:
        # examples是包含示例列表的列表
        desired = ex[target]
        predicted = tree(ex) # 使用__call__(self,example)获取叶节点值
        if desired != predicted:
            counter += 1
    return float(counter / len(examples)) * float(100)

决策树的__call__方法 #

def __call__(self, example):
    """根据属性和分支对示例进行分类。"""
    attrvalue = example[self.attr] # attr是用于索引示例的整数列表
    return self.branches[attrvalue](example)

我的初步排查 #

• 单次迭代时，算法生成决策树的流程无明显报错，看起来正常运行
• 确认输入的examples数据格式符合预期（是包含示例的列表的列表）
• 暂时未发现target参数的索引存在问题

内容的提问来源于stack exchange，提问作者Hashet