决策树算法 API

看起来我们定义了一堆公式，不过从工程的角度上看我们只需要直接调用一个简单的函数即可。

API

sklearn.tree.DecisionTreeClassifier(criterion='gini', splitter='best', max_depth=None, min_samples_split=2, min_samples_leaf=1, min_weight_fraction_leaf=0.0, max_features=None, random_state=None, max_leaf_nodes=None, min_impurity_decrease=0.0, class_weight=None, presort=False)

其中：

• criterion：划分节点的评价标准，可以选择 gini 或 entropy 两种。
• splitter：选择最优切分点的方法，可以选择 best 或 random 两种。
• max_depth：树的最大深度，如果为 None 则表示树的深度不限制。
• min_samples_split：内部节点再划分所需的最小样本数。
• min_samples_leaf：叶子节点最少包含的样本数。
• min_weight_fraction_leaf：叶子节点最少包含的样本权重和。
• max_features：选择分裂时考虑的特征数，可以是整数或浮点数，也可以是 auto、sqrt、log2 或 None。
• random_state：随机数种子。
• max_leaf_nodes：最大叶子节点数。
• min_impurity_decrease：节点的纯度下降阈值。
• class_weight：样本权重，可以是字典或 balanced。
• presort：是否先对数据进行排序，以加快分裂速度。