python3_sklearn(机器学习库)_tree_DecisionTreeClassifier_不同函数参数及使用说明

 

sklearn是一个机器学习的第三方库，在整个库当中提供了非常多的算法，tree（分类决策树）模块就是其中之一。

1.DecisionTreeClassifier

DecisionTreeClassifier是我们通常所说的决策树分类器，它是一个继承于BaseDecisionTree和ClassifierMixin类的子类

函数名	功能
__init__	决策树分类器构造函数（内部实现是通过调用父类DecisionTreeClassifier中的构造函数实现的）
fit
predict_proba
predict_log_proba

（一）__init__()函数说明

# --------------------class DecisionClassifier: def __init__():---------------------------#
# --重要参数
# --criterion="gini"：划分属性的选择标准 gini(基尼系数) entropy(信息增益)
# --splitter="best"： 在节点中选择分类的策略。 best(最好的分类) random(最好的随机分类)
# --max_depth=None： 树最大深度。
# --min_samples_split=2： 区分一个内部节点需要的最少的样本数
# --min_samples_leaf=1： 叶子结点所需要的最小样本数
# --min_weight_fraction_leaf=0.：一个叶节点的输入样本所需要的最小的加权分数
# --max_features=None：分类时需要考虑的特征数
# --random_state=None: 随机数字发生器种子。（用来保证输出结果的唯一性）
# --max_leaf_nodes=None: 在最优方法中使用max_leaf_nodes构建一个树.(通常跟max_depth配合使用)
# --min_impurity_decrease=0.： 如果该分裂导致杂质的减少大于或等于该值，则将分裂节点
# --min_impurity_split=None： 节点停止分裂的阙值
# --class_weight=None：与标点中的类所关联的标签的权重
# --presort=False： 是否预先分配数据以加快拟合中最佳分裂的发现（小型数据集适合设置为True）

from sklearn.tree import DecisionTreeClassifier

tr = DecisionTreeClassifier(criterion="gini")