为什么单个决策树算法无法准确地运行集成技术

Question

我在“葡萄酒”数据集上使用了决策树算法，该数据集以1到10的等级预测葡萄酒的质量，其中1最差，10最好，示例代码如下

import pandas as pd
data=pd.read_csv("wine.csv")
x=data.drop(columns="quality")# x has all the feature columns
y=data.quality# y has the label column
x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.3,random_state=355)
dt=DecisionTreeClassifier()
dt.fit(x_train,y_train)
dt.score(x_test,y_test)

现在在同一数据集上，我已经使用了集成技术和装袋方法，并且决策树算法与基本模型具有相同的准确度，示例代码如下：

bagging=BaggingClassifier(base_estimator=DecisionTreeClassifier(),n_estimators=100,
                         bootstrap=True,oob_score=True)
bagging.fit(x_train,y_train)
bagging.score(x_test,y_test)

令人惊讶的是，我得到了61％的准确度，也就是说，在集成方法中，准确度降低了，我的问题是，为什么集成方法中的准确度降低了。与单个决策树算法相比，集成是一种非常好的方法，这意味着当我们使用集成技术时必须提高准确性，但为什么会降低准确性

Answer 1

我无法复制您的结果。对于您的代码，DecisionTreeClassifier的精度为0.94，BaggingClassifier的精度为0.98。这是google colab的链接。