本单元着重介绍用于构建决策的不同类型的条件 数据。
轴对齐与倾斜条件
轴对齐 条件仅涉及一项功能。斜 条件涉及多个特征。例如，以下是 轴对齐条件：
num_legs ≥ 2
以下是倾斜条件：
num_legs ≥ num_fingers
通常，在训练决策树时，仅使用与轴对齐的条件。不过， 斜向分割功能更强大，因为它们可以 模式。平滑分割有时会产生更好的结果，但代价是 训练和推理成本增加。
YDF 代码
在 YDF 中，默认情况下使用轴对齐条件训练决策树。
您可以使用
split_axis="SPARSE_OBLIQUE" 参数。
<ph type="x-smartling-placeholder"></ph> 图 4.轴对齐条件和倾斜条件示例。 。
绘制上述两个条件的图像会生成以下特征空间 分离：
<ph type="x-smartling-placeholder"></ph> 图 5.图 4 中条件的特征空间分隔。 。
二元条件与非二元条件
有两种可能的结果（例如 true 或 false）称为 二元条件。仅包含二元条件的决策树 称为二元决策树。
非二元条件有两种可能的结果。因此， 与二元条件相比，非二元条件的判别能力更高。 包含一个或多个非二元条件的决策称为非二元决策 树。
<ph type="x-smartling-placeholder"></ph> 图 6：二元决策树与非二元决策树。
条件过多 也更有可能过拟合。因此，决策森林 通常使用二元决策树，因此本课程将重点介绍此类决策。
最常见的条件类型是阈值条件，表示为：
feature ≥ threshold
例如：
num_legs ≥ 2
还存在其他类型的条件。以下是其他常用的 二元条件：
<ph type="x-smartling-placeholder"></ph> 表 2.二元条件的常见类型。 。
| 名称 | 使用情况 | 示例 |
| 阈值条件 | $\mathrm{feature}_i \geq \mathrm{threshold}$ | $\mathrm{num\_legs} \geq 2$ |
| 等式条件 | $\mathrm{feature}_i = \mathrm{value}$ | $\mathrm{species} = ``cat"$ |
| 内嵌条件 | $\mathrm{feature}_i \in \mathrm{collection}$ | $\mathrm{species} \in \{``cat", ``dog", ``bird"\}$ |
| 斜面 | $\sum_{i} \mathrm{weight}_i \mathrm{feature}_i \geq \mathrm{threshold}$ | $5 \ \mathrm{num\_legs} + 2 \ \mathrm{num\_eyes} \geq 10$ |
| 地图项缺失 | $\mathrm{feature}_i \mathrm{is} \mathrm{缺失}$ | $\mathrm{num\_legs} \mathrm{is} \mathrm{Missing}$ |