确定sklearn决策树中的分裂量

Question

我使用“fitctree”函数（链接：https ://de.mathworks.com/help/stats/classificationtree-class.html）在 Matlab 中开发了一个决策树（集成）。

现在我想在 python 中重建相同的集合。因此，我将 sklearn 库与“DecisionTreeClassifier”（链接：http ://scikit-learn.org/stable/modules/generated/sklearn.tree.DecisionTreeClassifier.html ）一起使用。

在 Matlab 中，我通过设置定义了每棵树中的最大分割数： 'MaxNumSplits'——“fitctree”函数中的最大决策分割数。因此，由此可以定义分支节点的数量。

现在，当我了解“DecisionTreeClassifier”对象的属性时，没有任何这样的选项。我对吗？我发现控制每棵树中节点数量的所有内容是“max_leaf_nodes”，它显然控制着叶节点的数量。

其次：“max_depth”究竟控制什么？如果不是“无”整数“max_depth = int”代表什么？

我感谢您的帮助和建议。谢谢！

Answer 1

据我所知，没有选项可以限制 scikit-learn 中的拆分（节点）总数。但是，您可以设置max_leaf_nodes为MaxNumSplits + 1并且结果应该是等效的。

假设我们的树有n_split分裂节点和n_leaf叶节点。如果我们分裂一个叶子节点，我们把它变成一个分裂节点并添加两个新的叶子节点。因此n_splits，n_leafs两者都增加 1。我们通常只从根节点 ( n_splits=0, n_leafs=1) 开始，每次拆分都会增加两个数字。因此，叶节点的数量总是n_leafs == n_splits + 1。

至于max_depth; 深度是树有多少“层”。换句话说，深度是根节点和最远叶节点之间的最大节点数。该max_depth参数限制了这个深度。如果节点离树太远，它可以防止节点进一步分裂。（max_depth在做出决定之前，您可以将其视为对拆分数量的限制。）