决策树sklearn实现（2）

上一篇文章已经讲了决策树的原理：模拟 人决策过程，按因素影响程度 从大到小，依次决策，得出最终结论。也讲了如何判断因素的影响程度的一种方法：信息增益越大，影响程度越大。也大致讲了递归构建决策树的过程，今天我们来使用sklearn实现决策树。

我不建议重复造轮子，除非当前轮子无法满足需求。sklearn实现决策树的核心代码就3句：

1.声明决策树模型

model=tree.DecisionTreeClassifier(
                                                         criterion="entropy"  #这里使用entropy的方式，默认是gini
                                                        ,random_state=30   
                                                        ,splitter="random"    #随机划分属性，sklearn里面默认按属性的重要程度划分。
                                                        ,max_depth=5         #层级数，有效解决过拟合的套路之一
                                                        ,min_samples_leaf=10   #同上