我正在寻找Hadoop Mapreduce上的决策树算法的实现。准备好了吗？我看到 Mahout 只有决策林，是否可以将决策树与决策林一起使用？有什么相似之处/不同之处？
分布式决策树最常见的方式可能是森林。因为通过计算独立树进行分发是微不足道的，而以分布式方式有效地构建单个树则不是微不足道的？
随机森林当然并行化得很好，因为每棵树都是建立在（希望）训练数据的随机、独立子集上。
但是，Hadoop已经决定了每个节点上有哪些数据（以及有多少数据）。 根据源数据，在分发到节点之前预先随机化可能不切实际。 此外，每个节点上的观测次数不再是RF算法的参数，它由Hadoop配置控制数据分布方式和节点上数据冗余程度。 样本偏差很容易蔓延到每棵树（专家）模型中，而无需特别小心。
不过，跨多个Hadoop节点并行化单个树（CART）应该是可能的，因为在CART中二进制递归分区所需的核心计算，例如计算平均值（总和除以计数），误差函数（方差，基尼等）应该可以写在mapreduce中。这并非易事，因为节点需要非常健谈才能正常工作——发送索引，对原始数据样本的子节点进行分区，然后在子节点上递归。 我认为这可能适用于真正庞大的数据集，但对于那些已经可以"适合"单个工作记忆的数据集，它会慢得多。
Revolution Analytics最近确实发布了他们的版本或R在Hadoop集群上植入了决定树。 我没有尝试过，但看看它在各种大型数据集上的表现会很有趣。
这是链接：革命分析为预测分析带来大数据决策树和新的Hadoop支持