|
sklearn.tree包括决策分类树和决策回归树，决策回归树涉及参数：klearn.tree.DecisionTreeRegressor(, criterion=‘mse’, splitter=‘best’, max_depth=None, min_samples_split=2, min_samples_leaf=1, min_weight_fraction_leaf=0.0, max_features=None, random_state=None, max_leaf_nodes=None, min_impurity_decrease=0.0, min_impurity_split=None, ccp_alpha=0.0)，
criterion：用于特征选择，可以取{“mse”, “friedman_mse”, “mae”, “poisson”}, 默认为MSE使用均方误差来最小化损失；
splitter：控制随机分支策略，可取{“best”, “random”}, 默认best在随机分支中优先选择最重要的特征进行分支；
max_depth控制树的深度；
min_samples_split：限制分支所包含的最小训练样本数；
min_samples_leaf：限制分支后子节点必须包含最小训练样本。一般搭配max_depth使用，可以使模型更加平滑；
min_weight_fraction_leaf：限制叶子节点样本权重和的最小值，小于该值就会和兄弟节点一起被剪掉；
max_features：限制分支时考虑特征数，用于高纬度数据的预防过拟合的剪枝策略；
random_state：用于控制树的随机性，为int则为random_state的随机数生成器种子，为RandomState则为随机数生成器，为None则为随机数生成器使用np.random的RandomState实例；
max_leaf_nodes：用于基于权重的剪枝控制参数；
min_impurity_decrease：从信息增益角度限制分支，信息增益低于该值就不进行分支；
min_impurity_split：与min_impurity_decrease一样，不同版本可能用不同的参数基于信息增益控制分支；
ccp_alpha：控制树的复杂度；
决策分类树涉及参数与决策回归树参数存在很多重合，
class sklearn.tree.DecisionTreeClassifier(, criterion=‘gini’, splitter=‘best’, max_depth=None, min_samples_split=2, min_samples_leaf=1, min_weight_fraction_leaf=0.0, max_features=None, random_state=None, max_leaf_nodes=None, min_impurity_decrease=0.0, min_impurity_split=None, class_weight=None, ccp_alpha=0.0）
不同的地方在于参数criterion的取值不同，决策分类树中该参数取值｛‘gini‘，’entropy‘｝，默认使用gini基尼不纯度进行特征选择。
|