在庞大的数据集上学习决策树

[poster]

我正在尝试使用MATLAB从庞大的数据集（即无法存储在内存中）构建二进制分类决策树。本质上，我正在做的是：

1. 收集所有数据
2. 在数据上试用n个决策函数
3. 选择最佳决策函数以分离数据中的类
4. 将原始数据集拆分为2
5. 拆分后递归

数据具有k个属性和一个分类，因此将其存储为具有大量行和k + 1列的矩阵。决策函数是布尔型的，并作用于将每一行分配给左或右子树的属性。

现在，我正在考虑将数据分块存储在文件中，然后将其存储在内存中，并为每行分配一个ID，以便通过顺序读取所有文件来决定进行拆分，并通过ID号来标识将来的拆分。

有谁知道如何以更好的方式做到这一点？

编辑：行数m约为5e8，k约为500


回答：
在每次拆分时，您都将数据集分成越来越小的子集。从单个数据文件开始。将其作为流打开，一次只处理一行，以找出要拆分的属性。获得第一个决策功能后，将原始数据文件拆分为2个较小的数据文件，每个文件均包含拆分数据的一个分支。递归。数据文件应该越来越小，直到您可以将它们加载到内存中。这样，您就不必标记行并在大型数据文件中继续跳转。



更多&回答...