在我的应用中，我有Item对象。
一个Item具有以下属性：
- 基础名称（剑、盾等）
- 稀有度（普通、魔法、稀有、独特）
- 最多6个从大约400个中选取的mods（可以减少，因为其中很多是不常见或无用的）。大多数mods有数值（如+100最大生命值）。物品的价值很大程度上也取决于这些数值，而不仅仅是mods的存在与否。
- 价格
我的目标是输入一个物品并获得价格估算。
我不确定如何为此构建决策树，特别是因为mods的列表非常庞大。
我考虑过类似这样的方法，但我想即使经过修剪，这也会产生一个巨大的树。
关于如何构建这个树以预测物品价格，有什么建议吗？
回答：
首先要明确的是，你的问题被定义为回归问题，因为你估算的值是数值（价格）。在分类问题中，你估算的是一个实例的类别，而类别是有限的。决策树用于“决定”一个实例属于哪个类别，因此显然是用于分类的，你不能用它来解决你的问题。
所以，现在你知道你的问题是回归问题，并且有很多用于回归问题的方法。我建议你看看以下这些：
- 线性回归
- 回归树
- 模型树
这些方法不仅在预测方面有强大功能，而且构建的模型也相对容易理解。这意味着通过检查模型，你将能够理解为什么某些物品便宜而另一些昂贵。
你可以在名为Weka的机器学习套件中找到所有这些方法。但在使用之前，你需要先准备数据。这不仅意味着将其转换为正确的文件格式，更重要的是，决定如何表示数据。前两个属性是所谓的名义属性，目标属性是数值属性，所以在.arff格式中它们应该看起来像这样：
@attribute base_name {sword, shield, ... }@attribute rarity {normal, magic, rare, unique}@attribute price numeric如果我正确理解了问题，mods要么开启要么关闭，所以我会用以下方式表示它们：
@attribute mod1 {0,1}@attribute mod2 {0,1}...@attribute mod400 {0,1}这也意味着，你必须准备所有400个数据，其中大部分将是零，最多有6个一，表示使用、开启或你如何称呼的mods。
