sklearn之分类决策树

分类决策树
DecisionTreeClassifier
函数原型为 sklearn.tree.DecisionTreeClassifier(criterion=’gini’,spiltter=’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,class_weight=None,presort=False)
每个参数的具体含义如下：
criterion:指定切分质量的评价准则
‘gini’表示切分评价准则是Gini系数
‘entropy’表示切分评价准则是熵
spiltter:指定切分原则
‘best’表示选择最优切分
‘random’表示随机切分
max_depth:可以为整数或者None，指定树的最大深度
若为None则表示树的深度不限，若max_leaf_nodes非None，则此项忽略

min_samples_split:是整数，指定每个内部的节点（非叶节点）包含最小的样本数
min_samples_leaf:是整数，指定每个叶节点包含最小的样本数
min_weight_fraction_leaf：浮点数，叶子节点中样本的最小权重系数
max_features:可以是整数、浮点数、字符串或者None，指定寻找best_split时考虑的特征数量
如果是整数，则每次划分只考虑max_features个特征
如果是浮点数，每次划分只考虑max_features*n_features个特征(max_features指定了百分比)
如果是字符串’auto’或者’sqrt’，则max_features等于sqrt(n_features)
如果是字符串’log2’，则max_features等于log1(n_features)
如果是None，则max_features等于n_features
random_state:一个整数或者一个RandomState实例，或者None
如果是一个整数，则它指定了随机数生成器的种子
如果为RandomState实例，则指定了随机数生成器
如果为None，使用默认的随机数生成器
max_leaf_nodes:为整数或者None，指定最大的叶节点数量
如果为None，此时叶节点数量不限
如果非None，则max_depth可以忽略
class_weighte:一个