用决策树做了特征筛选之后在正式建模的时候还需要再划分一次训练集测试集吗

### 回答1：
是的，即使使用决策树进行特征选择，在正式建模时仍需要将数据集划分为训练集和测试集。这是因为特征选择只是从原始特征中选择出最相关的特征，而并不影响数据集的整体分布情况。因此，仍需要使用训练集进行模型训练，并使用测试集进行模型评估和验证。同时，合理的划分训练集和测试集可以避免过拟合和欠拟合等问题。

### 回答2：
在使用决策树做特征筛选后，需要再次划分训练集和测试集。特征筛选意味着通过决策树算法从原始数据中选择了一部分重要的特征来构建决策树模型，以提高模型的准确性和可解释性。

在正式建模之前，使用划分好的训练集和测试集可以进行以下操作：

1. 训练集：使用划分好的训练集进行模型的训练。决策树算法将根据训练集的特征和标签进行学习，以构建一个能够准确预测的决策树模型。

2. 测试集：使用划分好的测试集进行模型的测试和评估。通过将测试集数据输入已经建立好的决策树模型，可以评估模型的性能和准确度。

再次划分训练集和测试集的目的是为了验证模型的泛化能力。通过在训练集上学习，决策树可以理解特征和标签之间的关系，并尝试找到最佳的判断点和规则。然而，只在训练集上进行训练可能使模型过拟合，即仅仅适应训练集数据，而无法很好地推广到新的未见数据。

因此，通过在划分好的测试集上进行模型测试，可以评估模型在未见数据上的预测性能。这有助于了解决策树模型的推广能力，并对模型进行调优和改进。

总结来说，在使用决策树进行特征筛选后，仍然需要划分训练集和测试集，以便进行模型训练和测试，以验证和评估模型的性能和泛化能力。

### 回答3：
在使用决策树进行特征筛选后，在正式建模之前仍然需要进行一次训练集和测试集的划分。

特征筛选是为了从原始特征集中选择出对目标变量有较大影响力的特征，以提高模型的性能和减少过拟合。决策树的特征筛选通常使用信息增益或基尼系数等指标，选择最具有区分能力的特征。然而，特征筛选仅是在训练数据上进行的，无法保证筛选结果在测试数据上的效果。

为了评估模型的真实性能和泛化能力，仍然需要将数据划分为训练集和测试集用于建模和验证。这样可以模拟真实世界中模型的表现，并对模型进行评估和优化。测试数据是未参与建模过程的数据，用于评估模型在新数据上的预测能力。

因此，特征筛选只是为了优化特征选择的过程，而训练集和测试集的划分是为了评估模型的性能和泛化能力。两者是不同的步骤，都是建立一个稳健且有良好泛化能力的模型所必须的。