BaseDecisionTree源码阅读

# init：参数

criterion：特征选择方法，包含信息熵、gini；
splitter：选择特征的方式，best：所有特征中最好的；random：部分随机特征中选择最好的；
max_depth：树的最大深度，超过的将会剪枝；
min_samples_split：分裂最小样本个数，不满足条件不进行分枝；
min_samples_leaf：分裂后的最小样本个数，小于的则进行剪枝；
min_weight_fraction_leaf：叶子节点全部样本权重和的最小值，若是小于这个值，则会被剪枝
max_features：划分数据集时考虑的最多特征值数量
random_state : 固定测试集和训练集划分
max_leaf_nodes：最大叶子节点数量；
min_impurity_decrease：节点划分最小不纯度（gini）；
min_impurity_split：信息增益的阈值，小于阈值不进行分裂
class_weight：类别权重，dict：样本各类别权重；
presort：对数据进行排序，加速树的构建

# fit(self, X, y, sample_weight=None, check_input=True, X_idx_sorted=None):

1. random_state = check_random_state(self.random_state)
3. check_input ：检查X和y
   1. 位置：/../utils/validation.py
   2. Input validation on an array, list, sparse matrix or similar
4. n_samples, self.n_features_ = X.shape 样本个数 * 特征个数
5. is_classification 分类标记
6. if is_classification：获取clssess_，n_classes_; expanded_class_weight
7. max_depth（默认值：2^32 - 1）、max_leaf_nodes（-1）：初始化
8. min_samples_leaf（默认值 >1 || (0, 0.5]）：初始化
9. min_samples_split（默认值 > 1 || (0, 1.0]）：初始化
10. max_features（范围：auto（分类使用）、sqrt、log2）：初始化
11. sample_weight：初始化
12. min_weight_leaf：初始化
13. min_impurity_split：初始化
14. np.asfortranarray：将输入转换为具有列主存储器顺序的ndarray
15. Build tree：
    1. CRITERIA_CLF：分类，gini和entropy
    2. CRITERIA_REG：回归，mse、friedman_mse和mae
16. 根据max_leaf_nodes选择DepthFirstTreeBuilder（max_leaf_nodes < 0，没有限制）、BestFirstTreeBuilder（有限制）

#深度优先树

DepthFirstTreeBuilder：栈

#广度优先树

BestFirstTreeBuilder：优先队列

#predict(self, X, check_input=True)

1._validate_X_predict

2.Classification:返回np.argmax结果；

3.Regression：返回所有结果的第一个数字（ps：需看源码才知道第一个数字代表的含义）