您是否考虑过为此使用神经网络？您使用的两种方法的挑战在于，两种模型都不擅长处理大量特征，而您基本上拥有 10,000 个特征。所以，我的猜测是，即使使用决策树，您也可能只是拾取了一些背景像素，这些像素会提高您的准确率。决策树可能正在拾取某些东西，然后将您“锁定”到模型的该分支中，这不太理想。使用神经网络可以帮助您创建一个可以做出更多细微选择的模型

基本上，决策树迭代地增长，对节点内观察到的单元的数量赋予更多意义，而逻辑回归试图将所有观察结果拟合到某个理论分布线中。显然，与后者相比，前一种方法可以从较小的计数中带来更多信息。因此，树组合了通过“异构”规则集实现的每个节点的分类概率，而回归更关心“同质”公式，该公式描述了拟合该分布的因子重要性的大小。话虽如此，log reg 并不是真正的分类器，但通常用作分类器。为了更好地理解这两种方法，我建议阅读它们的来源以及开发它们的目的。