决策树回归：包含 Python 代码示例和超参数调整的综合指南

决策树回归是回归中流行且强大的算法。但是要充分发挥该算法的潜力，您必须进行超参数调整。意味着你必须选择一些最能拟合数据并正确预测的参数。在本文中，我们将重点介绍主要使用 python 的实现。我们还将学习一些超参数调整技术。
决策树回归
Decision Tree Regression通过根据各种特征的值拆分数据来构建树状结构。只是它创建了不同的数据子集。对于新样本或数据的预测，使用来自叶节点的目标变量的平均值。它处理分类变量和连续变量，使其成为回归任务的通用算法。

但是在一些python库中，像sklearn分类变量不能用决策树回归来处理。所以我们必须根据数据或模型使用任何编码器方法对其进行编码。

使用 Python 实现
我们将使用sklearnpython 中的库来实现。
第一步将导入必要的库。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

接下来我们将读取数据集。在本文中，我们将使用简单的工资数据集。

## Reading the data
sal_d = pd