本文介绍了决策树的基本概念、核心问题、sklearn中的分类与回归树类，以及建模流程。通过实例展示了数据处理、模型训练、决策树绘制和特征重要性分析。讨论了random_state、splitter、max_depth、min_samples_split等参数对模型的影响，并提供了参数优化的方法。最后，探讨了如何确定最优参数和使用apply、predict接口。
决策树
本文目的主要在于记录决策树学习内容，同时也向大家分享有关决策树知识，若有逻辑不自洽的地方还望指正。
1、概述
决策树就是将通过一系列特征判断找到目标标签的模型。
1.1决策树的核心
1、如何从数据表中找出最佳节点和最佳分枝？
2、如何让决策树停止生长，防止过拟合？
1.2决策树的分类
sklearn中的tree模块有以下5个类
| 类 | 功能 |
|---|---|
| tree.DecisionTreeClassifier | 分类树 |
| tree.DecisionTreeRegressor | 回归树 |
| tree.export_graphviz | 将生成的决策树导出为DOT形式，画图专用 |
| tree.ExtraTreeClassifier | 高随机版本的分类树 |
| tree.ExtraTreeRegressor | 高随机版本的回归树 |
本文主讲分类树和回归树
最低0.47元/天 解锁文章
3433
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
