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
集成学习-回归问题-sklearn树模型参数学习
最新推荐文章于 2022-03-21 20:18:07 发布