我已经使用Weka工作了几个月了。目前，我正在奥斯陆大学学院学习机器学习课程。我需要一种更好的方法来基于分离的训练集和测试集构建决策树。如果有人能提出好的想法，将会非常有帮助。提前感谢。

-Neo

回答：

你可能在寻求更具体的建议，但一般来说：

你使用训练集来构建决策树，然后使用测试集来评估该树的性能。换句话说，在测试数据上，你调用一个通常命名为类似*c*lassify*的函数，传入新构建的树和一个你希望分类的测试集中的数据点。

这个函数会返回该数据点所属的树中的叶子（终端）节点——假设该叶子的内容是同质的（仅包含来自单一类的数据，而不是混合的），那么你实际上已经为该数据点分配了一个类标签。当你将树分配的类标签与数据点的实际类标签进行比较，并对测试集中的所有实例重复此操作时，你就有了评估树性能的指标。

一个经验法则是：打乱你的数据，然后将90%分配给训练集，其余10%分配给测试集。