分类树的主要参数

分类树的主要参数

DecisionTreeClassifier的八个参数

1. criterion
   可选“entropy”和“gini”，默认gini系数

2. 两个随机性相关的参数
   random_state:随机的数阈大小，填一个数字即可。
   splitter：控制决策树中的随机选项，可输入“best”或“random”。

3. 五个剪枝参数
   max_depth:控制决策树的最大深度，填数字即可。
   min_samples_split:每个子节点要分枝最少需要特征样本数，填数字即可。
   min_sample_leaf:一个节点在分枝后的每个子节点都必须包含至少这么些个训练 样本，否则分枝就不会发生，填数字即可。
   max_feature:限制分枝时考虑的特征个数，多的特征将被舍弃。填数字即可。
   min_impurity_decrease：min_impurity_decrease限制信息增益的大小，信息增益小于设定数值的分枝不会发生。

4. 一个属性
   feature_importances_:可以看每个特征的重要程度。

5. 四个接口
   fit:测试用
   score:打分用
   apply:返回每个测试样本所在的叶子节点的索引
   predict:返回每个测试样本的分类回归结果