(DecisionTreeRegressor)决策树回归预测实例-max_depth 学习笔记

import numpy as np
from sklearn.tree import DecisionTreeRegressor
import matplotlib.pyplot as plt
%matplotlib inline

n = 100
x = np.random.rand(n)*6 - 3
x.sort()
y = np.sin(x) + np.random.rand(n) + 0.06
x = x.reshape(-1,1)
y = y.reshape
  • 1
    点赞
  • 13
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
决策树是一种基于树结构来进行决策的机器学习算法。而在使用决策树算法进行分类或回归时,max_depth参数是一个重要的超参数。它定义了决策树的最大深度,即决策树可以生成的最长路径的长度[^1]。 决策树的每个节点相当于对样本集进行一次划分,直到划分后的子集样本都属于同一类别或满足某个停止条件为止。那么,max_depth的作用就是限制树的深度,当树达到指定的深度时,停止分裂,输出叶节点的预测结果。因此,max_depth可以调节决策树的复杂度,控制树的大小,避免过拟合或欠拟合的问题。 当max_depth设置为较小的值时,决策树将变得简单,并且容易理解和解释,但是模型可能会欠拟合数据,导致性能较差。而当max_depth设置得太大时,决策树可能会过拟合,导致在训练集上表现良好,但在测试集上表现不佳。 因此,选择合适的max_depth值非常重要。一种常用的方法是通过交叉验证来选择最优的max_depth值。同时,还可以使用其他的剪枝方式来调节决策树的复杂度,如减少最小叶节点数、增加最小划分数等。 <<参考代码>>: ```python from sklearn.tree import DecisionTreeClassifier # 创建一个决策树分类器对象 dtc = DecisionTreeClassifier(max_depth=3) # 在训练集上拟合模型 dtc.fit(X_train, y_train) # 在测试集上进行预测 y_pred = dtc.predict(X_test) ```

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值