当然有很多方法可以做到这一点，例如多数投票或其他一些基于规则的算法，但是也可以通过监督学习来完成，因为你有一些树的标签。

我会将模型的输入空间设为树的类别的归一化频率。这意味着您将需要一个包含节点可能类别的字典，通常从您的训练集中获得。然后，您可以将实例的频率制成表格。

例如，如果我们有一个包含以下节点类的网站：

• 新闻：5
• 意见：9
• 关于：1

然后我们可以将输入向量表示为。$[0.33, 0.6, 0.067]$

然后，您可以使用已标记的树来训练此模型。然后，该模型将能够以同样的方式对未来的树进行分类。

要确定树的前个类，您需要一个可以执行此操作的模型（大多数都可以）。如果您使用 K-NN（不同的 K），那么您可以选择个最近的社区。使用随机森林或朴素贝叶斯，您可以选择概率最高$K$$K$$K$

要考虑到每个节点个类别的列表这一事实，您可以在计算归一化频率时添加权重。例如，假设我们有 3 个分类和以下网页（节点）。$K$

• 第 1 页：新闻、观点、评论
• 第 2 页：新闻、广告、观点
• 第 3 页：评论、新闻、广告
• 第 4 页：新闻、观点、广告

那么输入向量可以通过给第一个类别打3分，给下一个打2分，给最后一个打1分来计算。这导致。或者，如果您有这些分类的概率，您可以将其用作加权因子。$[0.49, 0.21,0.17, 0.17]$