决策树③——决策树参数介绍（分类和回归）

最新推荐文章于 2025-05-20 23:48:01 发布
最新推荐文章于 2025-05-20 23:48:01 发布
阅读量1.8w 收藏 80
点赞数 5
CC 4.0 BY-SA版权
分类专栏： 决策树 文章标签： 决策树参数 决策树分类参数 决策树回归参数 决策树sklearn参数 决策树参数学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/cindy407/article/details/93300235
本文介绍了决策树在Python Sklearn库中的参数设置，包括分类和回归两种情况。重点讲解了criterion、splitter、max_depth、min_samples_split等关键参数的作用，并讨论了如何根据样本量和特征数量来调整这些参数以防止过拟合。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

决策树系列目录（文末有大礼相送）：
决策树①——信息熵&信息增益&基尼系数
决策树②——决策树算法原理（ID3，C4.5，CART）
决策树④——决策树Sklearn调参（GridSearchCV）
决策树⑤——Python代码实现决策树
决策树应用实例①——泰坦尼克号分类
决策树应用实例②——用户流失预测模型
决策树应用实例③——银行借贷模型
决策树应用实例④——淘宝&京东白条(回归&均方差&随机森林）

前面总结了信息熵，信息增益和基尼信息的定义，以及决策树三大算法的原理及迭代过程，今天介绍下Python中机器学习Sklearn库中决策树的使用参数

决策树既可以做分类，也可以做回归，两者参数大体相近，下面会先介绍分类，

最低0.47元/天 解锁文章

200万优质内容无限畅学
决策树(Decision Tree)理解及参数介绍
haoran_yang的博客
10-25 3437
1.算法过程 决策树的生成是一个++递归++过程。 1.1递归返回 叶节点生成过程 当前节点样本全属于同一类，无需划分 当前属性集为空或者所有样本在所有属性上取值相同，无法划分，并设置为所含样本最多的类别 当前节点样本为空，不能划分，并设置为++父节点++所含样本最多类别 1.2伪代码 定义函数TreeGenerate，输入为样本集D和属性集A； 节点node； if D中样本全为同一...
sklearn之决策树参数详解
SKIp121whats112的博客
01-01 8733
这篇文章将会详细的介绍sklearn.tree的模型参数，属性，方法；保证全面并且正确。
决策树参数
12-01
决策树相关参数如下： - max_depth:树的最大深度,也就是说当树的深度到达max_depth的时候无论还有多少可以分支的特征,决策树都会停止运算. - min_samples_split: 分裂所需的最小数量的节点数.当叶节点的样本数量小于该参数后,则不再生成分支.该分支的标签分类以该分支下标签最多的类别为准 - min_samples_leaf; 一个分支所需要的最少样本数,如果在分支之后,某一个新增叶节点的特征样本数小于该超参数,则退回,不再进行剪枝.退回后的叶节点的标签以该叶节点中最多的标签你为准 - min_weight_fraction_leaf: 最小的权重系数 - max_leaf_nodes:最大叶节点数,None时无限制,取整数时,忽略max_depth
决策树参数介绍
weixin_30478619的博客
07-28 579
DecisionTreeRegressor 树模型参数: 1.criterion gini(基尼系数) or entropy(信息熵) 2.splitter best or random 前者是在所有特征中找最好的切分点 后者是在部分特征中（数据量大的时候） 3.max_features None（所有），log2，sqrt，N 特征小于50的时候一...
t检验详解：原理、类型与应用指南
weixin_42368227的博客
05-20 1824
的统计方法，适用于数据近似正态分布且满足方差齐性的场景。以下从核心原理、检验类型、实施步骤到实际应用进行系统解析。正确应用t检验需严格验证前提假设（正态性、方差齐性），并结合领域知识解读结果的实际意义。t检验（t-test）是一种用于比较。
【数据挖掘领域】决策树算法详解：分类与回归模型构建及应用实践
06-21
文中讲解了决策树的两种主要类型——分类决策树和回归决策树，并深入探讨了构建决策树的关键步骤，包括划分选择（信息增益、信息增益率、基尼指数）、生成（ID3、C4.5、CART算法）以及剪枝处理（预剪枝和后剪枝）。...
MATLAB实现决策树算法：分类与回归问题的简易教程 · 机器学习 v2.1
最新发布
08-10
如何利用MATLAB实现决策树算法，用于解决分类和回归问题。文中不仅解释了决策树的基本概念及其在机器学习中的重要性，还提供了具体的MATLAB代码示例，包括数据导入、模型构建、性能评估以及实际应用场景。特别强调了...
谈分类之逻辑回归与决策树 ————算法及应用（类论与python实战）
后面的人的博客
05-11 1858
文章综述： 对分类算法中的逻辑回归算法与决策树算法进行初步的了解，并使用Python语言分别生成数据使用两种算法进行分类。 逻辑回归只研究了二分类问题，通过代码实现发现，当数据分布较为规律，数据点类别的区分比较明显时，决策边界可以比较准确的找到，但是如果数据的分布比较杂乱，只使用二分类的逻辑回归效果很差，这一点从使用代码一定范围内随机生成数据在使用逻辑回归进行分类时可以发现，如果是多分类问题，...
python决策树之CART分类回归树详解
01-20
  CART分类回归树是一种典型的二叉决策树，可以处理连续型变量和离散型变量。如果待预测分类是离散型数据，则CART生成分类决策树；如果待预测分类是连续型数据，则CART生成回归决策树。数据对象的条件属性为离散型...
DecisionTree决策树参数详解
Amanda_python的博客
12-22 4977
1.max_depth: 指定遍历搜索的最大深度。int or None, optional (default=None) 一般来说，数据少或者特征少的时候可以不管这个值。如果模型样本量多，特征也多的情况下，推荐限制这个最大深度，具体的取值取决于数据的分布。常用的可以取值10-100之间。常用来解决过拟合 2.min_sample_leaf: 叶子节点最少样本数。这个值限制叶子节点最少的样本数，若叶子节点数小于样本数，则会和兄弟节点一起被剪枝，样本量不大时，可不管这个值 3.max_leaf_nodes
决策树算法及参数说明
09-17
Microsoft 决策树算法支持多个参数，这些参数会对所生成的挖掘模型的性能和准确性产生影响。下表对各参数进行了说明。
决策树模型的参数
yqyayqy的博客
03-24 3867
决策树模型的参数 1.criterion gini or entropy 基尼系数或者熵值 2.splitter best or random 前者是所有特征中最好找的切分点，后者是在部分特征中（数据量大的时候） 3.max_features None, log2,sqrt,N 特征小于50的时候一般使用所有的 4.max_depth数据少或者特征少的时候可以不用管这个只，如果模型样本量多，特征也...
决策树中各个参数（内有详细参数分析）
zmx27265150667的博客
11-12 974
决策树，DecisionTreeClassifier，随机森林，参数，机器学习,criterion,splitter,max_depth,min_samples_split,min_samples_leaf,min_weight_fraction_leaf,max_features,random_state
决策树概述+模块介绍+重要参数（criterion+random_state&splitter+减枝参数+目标权重参数）+回归树（参数+实例+拟合正弦曲线）+泰坦尼克号生存者预测实例
weixin_51589123的博客
09-21 6853
文章目录什么是sklearn一、决策树概述（一）概述（二）基础概念（三）决策树算法的核心是要解决两个问题：二、模块sklearn.tree的使用（一） 模块介绍（二）使用介绍三、重要参数（一）criterion（二） random_state & splitter（三）减枝参数1、max_depth2、min_samples_leaf & min_samples_split min_samples_leaf3、max_features & min_impurity_decrease（
一文读懂sklearn决策树参数详解（python代码）
热门推荐
ywj_1991的博客
02-16 1万+
sklearn决策树参数详解，详细说明决策树的各个参数的作用
决策树入门以及树模型的参数选择
weixin_45745854的博客
02-02 6619
决策树及树模型的参数选择 决策树的基本概念 在数据结构中树是一个重要的数据结构，这里树被我们根据分支起到一个决策的作用。什么是决策？通俗的说就是判断或者决定，我们引用周志华的西瓜书中的例子：这是一个好瓜吗？当我们对这个问题进行决策的时候通常会进行一系列的子决策或者判断，比如，我们先看“它是什么颜色的？”，如果是“青绿色”我们再看“它的根蒂是什么形态的？”，如果是“蜷缩”，我们再判断“它敲起来的声音是什么样的？”，最终我们判断它是一个好瓜。这样的一个判断的过程就是决策，是基于下面的树的结构完成的。 决策树有
机器学习（八）：决策树
全栈川川
08-03 3601
机器学习中的决策树原理以及案例实现
【skLearn 分类、回归算法】DecisionTreeClassifier 分类树
懂得一千零一种,赋予你失败的方法！
02-02 2702
文章目录 返回顶部
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值