阅读目录
决策树
决策树(DT)是一种用于分类和回归的非参数监督学习方法。目的是创建一个模型,通过学习从数据特征推断出的简单决策规则来预测目标变量的值。
1、常用的决策树算法见下表:
2、分类——实现类是DecisionTreeClassifier,能够执行数据集的多类分类
输入参数为两个数组X[n_samples,n_features]和 y[n_samples],X 为训练数据,y 为训练数据的标记数据
DecisionTreeClassifier 构造方法为:
sklearn.tree.DecisionTreeClassifier(
criterion='gini' , splitter='best' , max_depth=None
, min_samples_split=2
, min_samples_leaf=1
, max_features=None
, random_state=None
, min_density=None
, compute_importances=None
, max_leaf_nodes=None
)