待验证50% 置信事实精确时间

决策树使用沿坐标轴的轴对齐分割，对特征的单调变换和局部拉伸不敏感，因此对保持类别排序的变换具有天然不变性

1

来源数

50%

置信度

长期有效

时效性

2026/8/24

首次发现

来源

切片Wasserstein距离提升分类可分性：实验与反思

涉及实体

决策树concept

相关事实

待验证决策树及其集成版本（随机森林、XGBoost）对特征缩放不敏感，不需要像SVM或神经网络那样进行标准化预处理63% 相似待验证当数据包含大量高基数类别特征时，基于距离的算法（如K-means、KNN）表现不佳，基于树的模型（如随机森林、梯度提升树）通常更稳妥63% 相似待验证该SWD特征变换实验在决策树上表现良好，但在逻辑回归、SVM、KNN等算法上效果糟糕61% 相似待验证预标注会引入锚定效应，标注员倾向于接受而非推翻已有预标注结果，即使存在微小错误，低质量预标注会系统性地将判断拉向错误方向58% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/793940

API

curl https://kongchang.com/api/v1/knowledge/claims/793940

MCP

get_claim(id=793940)