待验证50% 置信事实精确时间

梯度提升树基于决策树的分裂机制，天然支持混合数据类型、内置处理缺失值、对特征尺度不敏感

1

来源数

50%

置信度

长期有效

时效性

2026/10/3

首次发现

来源

深度学习为何十年攻不下表格数据？Frank Hutter的解答

涉及实体

梯度提升树concept

相关事实

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79% 相似待验证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76% 相似待验证Tree-sitter采用增量解析策略，文件内容变化时只重新解析受影响的节点66% 相似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66% 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63% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/969525

API

curl https://kongchang.com/api/v1/knowledge/claims/969525

MCP

get_claim(id=969525)