序数决策树的分裂准则：一项实验研究

序数分类（Ordinal Classification, OC）处理的是标签具有自然顺序的分类任务。与将所有类别视为互斥且无序的名义分类不同，OC 考虑了序数关系，从而产生更准确、更相关的结果。这在分类错误幅度具有重大影响的应用中尤为关键。尽管如此，OC 问题通常仍使用名义方法来解决，导致次优解。尽管决策树是最受欢迎的分类方法之一，但与其他分类器相比，基于树的序数方法受到的关注较少。本工作对序数分裂准则进行了全面综述，统一了文献中使用的符号以增强清晰度和一致性。通过将三种序数分裂准则——序数 Gini（OGini）、加权信息增益（WIG）和排序不纯度（RI）——与前两者的名义对应物（Gini 和信息增益）进行比较，并将它们纳入决策树分类器中。本文提出了一个包含 $45$ 个公开可用 OC 数据集的广泛存储库，支持使用众所周知的 OC 评估指标对序数和名义分裂准则进行首次实验比较。对结果进行了统计分析，突出表明 OGini 是迄今为止最好的序数分裂准则，将 Gini 达到的平均绝对误差降低了 3.02% 以上。为了促进可复现性，提供了所有开发的源代码、复现结果的详细指南、45 个 OC 数据集以及所有评估方法的单独结果。