决策树

决策树

它就可以做分类，也可以做回归。分类决策树的类对应的是DecisionTreeClassifier，而回归决策树的类对应的是DecisionTreeRegressor。两者的参数定义几乎完全相同，但是意义不全相同。下面是两者区别

参数	DecisionTreeClassifier	DecisionTreeRegressor
特征选择标准criterion	可以使用基尼系数"gini"或者信息增益"entropy"。一般默认的基尼系数"gini"，即CART算法。"entropy"主要用在iD3, C4.5算法	均方差mse"或者均值之差的绝对值之和"mae"。默认"mse"。一般来说"mse"比"mae"更加精确
类别权重class_weight	指定样本各类别的的权重，主要是为了防止训练集某些类别的样本过多，导致训练的决策树过于偏向这些类别。这里可以自己指定各个样本的权重，或者用“balanced”，如果使用“balanced”，则算法会自己计算权重，样本量少的类别所对应的样本权重会高。当然，如果你的样本类别分布没有明显的偏倚，则可以不管这个参数，选择默认的"None"	不适用

共同点

参数	DecisionTreeClassifier &&DecisionTreeRegressor
特征划分点选择标准splitter