我的数据集就是我的规则，我希望生成一个决策树，至少在分类我的规则时能达到100%的准确率，但我始终无法达到100%。我将minNumObjs设置为1，并取消了修剪，但正确分类的实例只有84%。
我的属性是：
@attribute users numeric@attribute bandwidth numeric@attribute latency numeric@attribute mode {C,H,DCF,MP,DC,IND}示例数据：
2,200000,0,C2,200000,1000,C2,200000,2000,MP2,200000,5000,C2,400000,0,C2,400000,1000,DCF能有人帮我理解为什么我无法将所有实例100%分类，以及如何在保持属性为数值型的情况下达到100%的分类吗？
谢谢
回答：
有时候由于具有相同特征向量但标签不同的情况，达到100%的准确率是不可能的。我猜测在你的案例中，users、bandwidth和latency是特征，而mode是你试图预测的标签。如果是这样，那么可能存在{users、bandwidth、latency}相同值但mode标签不同的情况。
一般来说，对于相同特征具有不同标签的情况可能通过以下几种方式发生：
- 数据中存在噪声，这是由于数据读取错误造成的。
- 存在未捕捉到的随机性来源。
- 可能有更多能够区分不同标签的特征，但这些特征不在你的数据集中。
你现在可以做的一件事是将你的训练集通过决策树运行，找出被错误分类的项目。尝试确定它们为什么是错误的，并查看是否有任何数据实例表现出我上面所写的（即一些数据实例具有相同的特征但不同的标签）。
