决策树问题你好，
我创建了一个简单的 DOE 表格（如附件所示），并尝试进行决策树分析，但 JMP 没有产生预期的结果。
任何意见都欢迎提出。
谢谢，
长的
基础数据分析与建模回复：决策树问题嗨@LGH ，
欢迎加入社区！
我建议您在论坛发帖前先阅读@jthi的帖子“快速获得正确问题的正确答案” ，因为您没有解释您期望的结果以及您从决策树中获得的结果。
如果您的数据集来自设计实验（DoE），为什么不使用 JMP 中默认提供的最小二乘模型回归呢？
您的问题是否源于样本量过小，导致决策树无法分割数据（因此，在使用决策树“默认”功能时，既没有结果也无法进行分割）？如果是，请点击决策树旁边的红色三角形打开选项，并将“最小分割大小”（默认值为 5）更改为其他值，以使决策树能够适应您的情况（例如，2 也可以，您可以进行一次分割）。
JMP 中此决策树参数的默认设置旨在避免过拟合：它创建的决策树会根据变量完美地分割样本，从而生成一个叶节点样本量很小的完美模型，但实际上，当用于预测新的未见样本（测试数据集）时，该模型几乎毫无用处且鲁棒性差。实际上，要使用此类机器学习模型，您需要一个验证策略，使用训练集、验证集和测试集。有一些方法可以避免过度分割数据集，从而避免将其用于模型训练（例如交叉验证、留一法等），但最终您仍然需要一个测试集来确保测试集的预测性能与训练集/验证集的预测性能一致。您可以在论坛“交叉验证 - 验证列方法/ 如何在机器学习模型（例如神经网络和随机森林）上执行 k 折交叉验证并检查模型在固定测试数据上的性能？”中阅读一些关于此主题的讨论。
请注意，在本例中，由于数据集较小且结果与因子 C 之间存在线性关系，因此使用线性回归模型或平台 Fit Y by X 得到的结果相同：
希望这个回答能给你一些启发。
回复：决策树问题嗨，维克多，
非常感谢您的回复。是的，我的问题是由于样本量太小而无法进行分组。您的指导有效。
问候，
长岛
