谁能告诉我sklearn（Python）中的集成（如随机森林、梯度提升、Adaboost）和树（如决策树）如何处理连续变量？在建造树木时，它们是否被视为每个单独的价值？还是他们自动装箱？如果它们被分箱 - 遵循的逻辑是什么。如果它们没有被装箱，我肯定我错过了一些东西。应该有一些可用的智能分箱（内置？），它将根据类分布将变量值分箱（至少在二进制分类的情况下）
深入：当我在 weka 中加载我的 arff（高度倾斜的数据集中的数百万行和数百个特征）并滚动浏览变量/目标（二进制）图时，我可以看到其中许多都有强大的 bin（目标为正的区域）。这些垃圾箱，即 >=x <=y 是否被 sklearn 中提到的上述模型自动拾取？见附图（如果你能看到它，变量/目标图中有非常细的 6 条红线）
非常感谢您对此的任何见解
问候
使用默认设置（非随机拆分），每次通过拆分数据集来生成决策树或回归树时，正在考虑的数据集部分按所考虑的每个特征的值依次排序（随机森林或ExtraTrees森林，每次可能随机选择特征）。然后将每对相邻f[i], f[j]特征值的平均值视为候选分割，除非这对特征值之间的距离小于 1e-7（当前在代码中硬连线的任意常数）。根据 Gini/entropy/other 拆分标准，最佳拆分用于将数据集拆分为具有 的点f < (f[i] + f[j]) / 2和具有较高值的点f。
Iow，不执行显式分箱。
（我实际上并不是一个决策树专家，但我确实致力于 scikit-learn 的实现，特别是我通过为其编写更快的排序算法来优化拆分代码。）
我不确切知道 scikit-learn 做了什么，但我怀疑没有分箱，它只是使用连续值。在最简单的决策树形式中，您测试的规则只是 x_j >= x_ij 对于每个变量以及对于该变量的每个观察到的实现。
文档（参见 1.8.7 数学公式）建议他们使用这种简单的方法。只需测试每个变量的每个（或某些子集）可能的阈值。