预测或解释性？

然而，其中包含的某些陈述是不正确的，可能会误导该领域的非专家。

首先，本文传达了条件推理树（CITS）的观念[2]通常比分类和回归树（购物车）更好[3]因为他们遵循每个分裂步骤中的形式统计推理程序，并且仅强调购物车的缺点，同时倡导使用CIT，因为它们的简单性和易于解释。虽然该定义可以在原始论文中找到[2]，不太熟悉其背后的统计和技术的读者可能得出结论，即购物车是一种不太有效的统计方法。CITS出生于公正的递归分区框架，目的是提供统一公正通过p- 为了减少在切口选择中进行多个比较的影响从中，最初的手推车遭受了[4，，，，5]。首先指出，CART中的拆分标准有利于具有更多值（即缺失值，更多类别或不同数值值）的预测变量，从而提供了更多的分裂。这在随机森林中尤其有问题，在随机森林中，树木成长为纯度，但是当单个回归树长成长时，通常不太相关，在这种情况下，停止规则阻止了非信息分裂[6]。从业者使用CIT可能会更自在，因为它们嵌入了熟悉的空中假设显着性测试（NHST）框架。尽管如此，我们警告读者，这种轻松是有代价的：NHST一直受到数十年的批评（例如，见[例如7，，，，8，，，，9，，，，10]），因为它不是甚至统计的一部分，这是一个Fisher的无效假设测试和Neyman不一致的混合动力-皮尔逊的决策理论[[11]。

期限有条件事实是，响应变量的分布y给定状态m协变量是通过树结构化递归分隔建模的。假定条件分布d（（y | x反应y给定协变量X取决于功能F协变量d（（y | x）= d（（y | f（（X₁，…，，X_m）。从这个意义上讲，推车和广义线性模型[12]也是有条件楷模。此外，Venkatasubramaniam等。[[1]指出，在CRIT中，每个协变量与结果之间的关联被量化在回归模型中使用系数。

此陈述是错误的，因为 -2] - 依赖性y和X由在置换测试框架中，线性统计的条件分布的平均值[[13]。

在本文中，尚不清楚购物车和CIT谎言之间的概念差异：CIT将拆分变量的选择与已经选择的拆分变量的拆分点的选择分开，而购物车则没有。之间的关联y和X通过线性秩检验评估。对于生存数据，进行审查数据的对数秩转换。如果发现该关联很重要，则协变量很小p选择值进行分裂，并通过比较分配变量的所有可能分区的两样本线性统计来找到最佳的拆分点。除此之外，如果使用了二次形式的测试统计量，则分裂为公正[[14]。

根据 [15]，两个主要的缺点CITS是选择拆分变量的关联测试是基于线性秩统计的，而最佳拆分是基于二分法阈值的拆分。此外线性等级统计数据无法检测自变量中的非线性效应。对此过程的改进（虽然仍提供公正的分裂选择）是由[15]并使用已调整的最大选择的等级统计信息p值，使得拆分变量和拆分点选择发生在与购物车的原始实现相同的步骤中。

本文中的另一个混乱来源在于停止规则部分。在这里，交叉验证（CV）被描述为停止规则用于递归分区方法。停止规则实际上是基于超参数（通常称为pre-修剪）控制树木的复杂性，两个功能rpart和Ctree在r分享一些，例如Minbucket和分钟，即任何终端节点中的最小观测值以及必须在节点中存在的最小观测值，以便尝试进行分裂；虽然有独特的人，即rpart具有复杂性参数CP，例如总体r²必须增加CP在每个步骤中，Ctree有Mincriterion，这是1- p为了实现拆分，必须超过的值，默认情况下将其设置为0.95。这是NHST中使用的纯常规阈值（即p < 0.05), which might not be ideal for all applications [9]。这神圣Fisher都强烈劝阻0.05标准[16]和Neyman -Pearson [17]。环境CP在rpart到更大的值（CP = 0.01 by default), might be enough to obtain smaller trees, avoiding interpretability problems and uninformative splits [6]。

一种常见的策略是种植一个不超过每个节点中给定数量的样品的大树（例如，Minbucket = 5) [18]，然后使用该大树修剪（即减少）成本-复杂性修剪。所有这些参数，避免树在根之后进一步分裂，可以通过叉-验证（例如商在包装r），有时被称为邮政-修剪。用一组超参数构建的树，获得了最小的交叉验证误差，或者在预先指定的阈值中，例如在一个标准错误中[3]。当CV用于超参数选择时，必须创建大量的参数网格，只有一个被选为其中的赢家竞赛，而生成后，任何树都可以修剪。自从Mincriterion可以看作是受优化的超级参数[2]，不能保证更简单的树木 - 可以用大的树木获得Mincriterion必须最适合预测，同时也可以调整手推车中的超参数以提供较小，更容易解释的树。因此，由于简单和易于解释是由于更为严格的（尽管任意任意）将规则设置为包装中的默认设置（即Mincriterion = 0.95). This actually brings us back to a simple question:预测或解释性是我们所追求的吗？购物车和CIT都可以并且应该是杂交的。