决策树模型参数释义「建议收藏」

转自https://blog.csdn.net/qq_16000815/article/details/80954039

”’ scikit-learn中有两类决策树，它们均采用优化的CART决策树算法。 ”’ from sklearn.tree import DecisionTreeRegressor ”’ 回归决策树 ”’ DecisionTreeRegressor(criterion=”mse”, splitter=”best”, max_depth=None, min_samples_split=2, min_samples_leaf=1, min_weight_fraction_leaf=0., max_features=None, random_state=None, max_leaf_nodes=None, min_impurity_decrease=0., min_impurity_split=None, presort=False) ”’ 参数含义： 1.criterion:string, optional (default=”mse”) 它指定了切分质量的评价准则。默认为’mse'(mean squared error)。 2.splitter:string, optional (default=”best”) 它指定了在每个节点切分的策略。有两种切分策咯： (1).splitter=’best’:表示选择最优的切分特征和切分点。 (2).splitter=’random’:表示随机切分。 3.max_depth:int or None, optional (default=None) 指定树的最大深度。如果为None，则表示树的深度不限，直到 每个叶子都是纯净的，即叶节点中所有样本都属于同一个类别， 或者叶子节点中包含小于min_samples_split个样本。 4.min_samples_split:int, float, optional (default=2) 整数或者浮点数，默认为2。它指定了分裂一个内部节点(非叶子节点) 需要的最小样本数。如果为浮点数(0到1之间)，最少样本分割数为ceil(min_samples_split * n_samples) 5.min_samples_leaf:int, float, optional (default=1) 整数或者浮点数，默认为1。它指定了每个叶子节点包含的最少样本数。 如果为浮点数(0到1之间)，每个叶子节点包含的最少样本数为ceil(min_samples_leaf * n_samples) 6.min_weight_fraction_leaf:float, optional (default=0.) 它指定了叶子节点中样本的最小权重系数。默认情况下样本有相同的权重。 7.max_feature:int, float, string or None, optional (default=None) 可以是整数，浮点数，字符串或者None。默认为None。 (1).如果是整数，则每次节点分裂只考虑max_feature个特征。 (2).如果是浮点数(0到1之间)，则每次分裂节点的时候只考虑int(max_features * n_features)个特征。 (3).如果是字符串’auto’,max_features=n_features。 (4).如果是字符串’sqrt’,max_features=sqrt(n_features)。 (5).如果是字符串’log2′,max_features=log2(n_features)。 (6).如果是None，max_feature=n_feature。 8.random_state:int, RandomState instance or None, optional (default=None) (1).如果为整数，则它指定了随机数生成器的种子。 (2).如果为RandomState实例，则指定了随机数生成器。 (3).如果为None，则使用默认的随机数生成器。 9.max_leaf_nodes:int or None, optional (default=None) (1).如果为None，则叶子节点数量不限。 (2).如果不为None，则max_depth被忽略。 10.min_impurity_decrease:float, optional (default=0.) 如果节点的分裂导致不纯度的减少(分裂后样本比分裂前更加纯净)大于或等于min_impurity_decrease，则分裂该节点。 个人理解这个参数应该是针对分类问题时才有意义。这里的不纯度应该是指基尼指数。 回归生成树采用的是平方误差最小化策略。分类生成树采用的是基尼指数最小化策略。 加权不纯度的减少量计算公式为： min_impurity_decrease=N_t / N * (impurity – N_t_R / N_t * right_impurity – N_t_L / N_t * left_impurity) 其中N是样本的总数，N_t是当前节点的样本数，N_t_L是分裂后左子节点的样本数， N_t_R是分裂后右子节点的样本数。impurity指当前节点的基尼指数，right_impurity指 分裂后右子节点的基尼指数。left_impurity指分裂后左子节点的基尼指数。 11.min_impurity_split:float 树生长过程中早停止的阈值。如果当前节点的不纯度高于阈值，节点将分裂，否则它是叶子节点。 这个参数已经被弃用。用min_impurity_decrease代替了min_impurity_split。 12.presort： bool, optional (default=False) 指定是否需要提前排序数据从而加速寻找最优切分的过程。设置为True时，对于大数据集 会减慢总体的训练过程；但是对于一个小数据集或者设定了最大深度的情况下，会加速训练过程。 属性： 1.feature_importances_ : array of shape = [n_features] 特征重要性。该值越高，该特征越重要。 特征的重要性为该特征导致的评价准则的（标准化的）总减少量。它也被称为基尼的重要性 2.max_feature_:int max_features推断值。 3.n_features_：int 执行fit的时候，特征的数量。 4.n_outputs_ : int 执行fit的时候，输出的数量。 5.tree_ : 底层的Tree对象。 Notes： 控制树大小的参数的默认值（例如“max_depth“，“min_samples_leaf“等）导致完全成长和未剪枝的树， 这些树在某些数据集上可能表现很好。为减少内存消耗，应通过设置这些参数值来控制树的复杂度和大小。 方法： 1.fit(X,y):训练模型。 2.predict(X):预测。 ”’ from sklearn.tree import DecisionTreeClassifier ”’ 分类决策树 ”’ DecisionTreeClassifier(criterion=”gini”, splitter=”best”, max_depth=None, min_samples_split=2, min_samples_leaf=1, min_weight_fraction_leaf=0., max_features=None, random_state=None, max_leaf_nodes=None, min_impurity_decrease=0., min_impurity_split=None, class_weight=None, presort=False) ”’ 参数含义： 1.criterion:string, optional (default=”gini”) (1).criterion=’gini’,分裂节点时评价准则是Gini指数。 (2).criterion=’entropy’,分裂节点时的评价指标是信息增益。 2.max_depth:int or None, optional (default=None)。指定树的最大深度。 如果为None，表示树的深度不限。直到所有的叶子节点都是纯净的，即叶子节点 中所有的样本点都属于同一个类别。或者每个叶子节点包含的样本数小于min_samples_split。 3.splitter:string, optional (default=”best”)。指定分裂节点时的策略。 (1).splitter=’best’,表示选择最优的分裂策略。 (2).splitter=’random’,表示选择最好的随机切分策略。 4.min_samples_split:int, float, optional (default=2)。表示分裂一个内部节点需要的做少样本数。 (1).如果为整数，则min_samples_split就是最少样本数。 (2).如果为浮点数(0到1之间)，则每次分裂最少样本数为ceil(min_samples_split * n_samples) 5.min_samples_leaf: int, float, optional (default=1)。指定每个叶子节点需要的最少样本数。 (1).如果为整数，则min_samples_split就是最少样本数。 (2).如果为浮点数(0到1之间)，则每个叶子节点最少样本数为ceil(min_samples_leaf * n_samples) 6.min_weight_fraction_leaf:float, optional (default=0.) 指定叶子节点中样本的最小权重。 7.max_features:int, float, string or None, optional (default=None). 搜寻最佳划分的时候考虑的特征数量。 (1).如果为整数，每次分裂只考虑max_features个特征。 (2).如果为浮点数(0到1之间)，每次切分只考虑int(max_features * n_features)个特征。 (3).如果为’auto’或者’sqrt’,则每次切分只考虑sqrt(n_features)个特征 (4).如果为’log2′,则每次切分只考虑log2(n_features)个特征。 (5).如果为None,则每次切分考虑n_features个特征。 (6).如果已经考虑了max_features个特征，但还是没有找到一个有效的切分，那么还会继续寻找 下一个特征，直到找到一个有效的切分为止。 8.random_state:int, RandomState instance or None, optional (default=None) (1).如果为整数，则它指定了随机数生成器的种子。 (2).如果为RandomState实例，则指定了随机数生成器。 (3).如果为None，则使用默认的随机数生成器。 9.max_leaf_nodes: int or None, optional (default=None)。指定了叶子节点的最大数量。 (1).如果为None,叶子节点数量不限。 (2).如果为整数，则max_depth被忽略。 10.min_impurity_decrease:float, optional (default=0.) 如果节点的分裂导致不纯度的减少(分裂后样本比分裂前更加纯净)大于或等于min_impurity_decrease，则分裂该节点。 加权不纯度的减少量计算公式为： min_impurity_decrease=N_t / N * (impurity – N_t_R / N_t * right_impurity – N_t_L / N_t * left_impurity) 其中N是样本的总数，N_t是当前节点的样本数，N_t_L是分裂后左子节点的样本数， N_t_R是分裂后右子节点的样本数。impurity指当前节点的基尼指数，right_impurity指 分裂后右子节点的基尼指数。left_impurity指分裂后左子节点的基尼指数。 11.min_impurity_split:float 树生长过程中早停止的阈值。如果当前节点的不纯度高于阈值，节点将分裂，否则它是叶子节点。 这个参数已经被弃用。用min_impurity_decrease代替了min_impurity_split。 12.class_weight:dict, list of dicts, “balanced” or None, default=None 类别权重的形式为{class_label: weight} (1).如果没有给出每个类别的权重，则每个类别的权重都为1。 (2).如果class_weight=’balanced’，则分类的权重与样本中每个类别出现的频率成反比。 计算公式为：n_samples / (n_classes * np.bincount(y)) (3).如果sample_weight提供了样本权重(由fit方法提供)，则这些权重都会乘以sample_weight。 13.presort:bool, optional (default=False) 指定是否需要提前排序数据从而加速训练中寻找最优切分的过程。设置为True时，对于大数据集 会减慢总体的训练过程；但是对于一个小数据集或者设定了最大深度的情况下，会加速训练过程。 属性: 1.classes_:array of shape = [n_classes] or a list of such arrays 类别的标签值。 2.feature_importances_ : array of shape = [n_features] 特征重要性。越高，特征越重要。 特征的重要性为该特征导致的评价准则的（标准化的）总减少量。它也被称为基尼的重要性 3.max_features_ : int max_features的推断值。 4.n_classes_ : int or list 类别的数量 5.n_features_ : int 执行fit后，特征的数量 6.n_outputs_ : int 执行fit后，输出的数量 7.tree_ : Tree object 树对象，即底层的决策树。 方法: 1.fit(X,y):训练模型。 2.predict(X):预测 3.predict_log_poba(X):预测X为各个类别的概率对数值。 4.predict_proba(X):预测X为各个类别的概率值。 ”’

版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。

发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/184713.html原文链接：https://javaforall.cn