DecisionTreeRegressor参数详解

景风眠Zephyr

已于 2023-03-14 13:32:24 修改

阅读量3.1k

点赞数 2

分类专栏：机器学习文章标签：算法机器学习 python sklearn 决策树

于 2023-03-14 10:51:17 首次发布

本文链接：https://blog.csdn.net/weixin_46421722/article/details/129520089

版权

本文详细介绍了DecisionTreeRegressor的参数，包括criterion、splitter、max_depth、min_samples_split等，讨论了它们如何影响决策树的构建和性能。通过代码示例展示如何配置这些参数，并提供了参考资料供进一步学习。

摘要由CSDN通过智能技术生成

基本介绍

Untitled

参数

criterion {“squared_error”, “friedman_mse”, “absolute_error”, “poisson”}, default=”squared_error”

衡量分割质量的函数。支持的标准有：
- "squared_error "为平均平方误差，相当于方差减少作为特征选择标准，使用每个终端节点的平均值使L2损失最小；
- “friedman_mse”，使用平均平方误差与Friedman改进得分来寻找潜在的分裂；
- "absolute_error "为平均绝对误差，使用每个终端节点的中位数使L1损失最小；
- “poisson”，使用减少泊松偏差来寻找分裂。
splitter {“best”, “random”}, default=”best”

用来选择每个节点的分割的策略。支持的策略是 "best "以选择最佳分割，"random "以选择最佳随机分割。
max_depth int, default=None

树的最大深度。如果没有，那么节点将被展开，直到所有的叶子都是纯的，或者直到所有的叶子包含的样本少于min_samples_split。
min_samples_split int or float, default=2

分割一个内部节点所需的最小样本数。
- 如果是int，那么考虑min_samples_split作为最小数量。
- 如果是float，那么min_samples_split是一个分数，ceil(min_samples_split * n_samples)是每次分割的最小样本数。
min_samples_leaf int or float, default=1

一个叶子节点所需的最小样本数。任何深度的分裂点只有在左右两个分支中至少留下min_samples_leaf训练样本时才会被考虑。这可能会产生平滑模型的效果，特别是在回归中。
- 如果是int，那么考虑min_samples_leaf作为最小的数字。
- 如果是float&#