-CDA考试官方模拟题库

备考刷题，请到

CDA认证小程序

你正在构建一个医疗诊断模型。你分别尝试了 Lasso 回归和决策树（预剪枝）。在分析特征重要性时，你发现了一个有趣的现象：对于某个强相关特征 X_A，Lasso 将其系数压缩为 0（剔除），而决策树却在根节点直接使用了XA进行分裂。造成这种差异的最根本原因是：

A. Lasso 无法处理线性关系，如果 X_A与目标仅存在线性关系，Lasso 会将其剔除；而决策树是非线性模型，可以捕捉

B. 决策树使用了贪心算法（Greedy Search），可能过分关注局部最优；而 Lasso 是全局凸优化

C. 存在另一个与 X_A高度共线性的特征X_B，Lasso 近似随机地选择了XB而剔除了X_A；决策树则可能因为XA的信息增益略高而优先选择了X_A

D. Lasso 的正则化力度过大，导致欠拟合；而决策树的剪枝参数设置过松，导致过拟合

上一题

下一题

题目解析

题目评论(0)

Lasso 的特性：在存在强共线性特征（X_A,X_B）时，Lasso 的几何特性（菱形约束）倾向于随机保留其中一个，将另一个系数压为 0。如果它留下了X_B扔掉了X_A，就会出现题目描述的情况。决策树的特性：树模型在分裂节点时，计算的是当前状态下的信息增益（或 Gini 指数下降）。即使X_A和X_B高度相关，只要X_A的增益比X_B高出一点点（哪怕是因为噪声），树都会坚定地选择X_A做分裂点。这是工业界归因分析时的经典坑，Lasso 扔掉的特征不代表不重要，可能是被共线性特征代替了。