决策树的剪枝（二）

这两个参数是在样本分布分厂不均衡的时候使用。
因为决策树天生喜欢向样本分类多的一部分数据偏移，所以版本比例不均衡的时候，权重参数需要调整。

# 决策树的剪枝  让决策树最大深度是3，可分支节点的样例数是20，切分之后子节点最少包涵10个
clf_05 = DecisionTreeClassifier(criterion='gini',
                                random_state=30,
                                splitter='random',
                                max_depth=3,
                                min_samples_leaf=10,
                                min_samples_split=20
                                )
clf_05 = clf_05.fit(x_train, y_train)
score_05 = clf_05.score(x_test, y_test)
print(score_05)  # 剪枝之后，分数有所提升


# 这么多的剪枝参数，如何选择呢？现在介绍一个简单的:就是使用for循环一一看图寻找
test = []
for i in range(10):
    clf = tree.DecisionTreeClassifier(max_depth=i+1
                                       ,criterion="entropy"
                                        ,random_state=30
                                        ,splitter="random"
                                    )
    clf = clf.fit(x_train, y_train)
    score = clf.score(x_test, y_test)
    test.append(score)
plt.plot(range(1, 11), test, color="red", label="max_depth")
plt.legend()
plt.show()