Python sklearn DecisionTreeClassifier用法及代碼示例

本文簡要介紹python語言中 sklearn.tree.DecisionTreeClassifier 的用法。

用法:

class 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, ccp_alpha=0.0)

決策樹分類器。

在用戶指南中閱讀更多信息。

參數：

criterion：{“gini”, “entropy”}，默認=”gini”

測量分割質量的函數。支持的標準是用於基尼雜質的“gini” 和用於信息增益的“entropy”。

splitter：{“best”, “random”}，默認=”best”

用於在每個節點處選擇拆分的策略。支持的策略是“best” 選擇最佳分割和“random” 選擇最佳隨機分割。

max_depth：整數，默認=無

樹的最大深度。如果沒有，則擴展節點直到所有葉子都是純的或直到所有葉子包含少於min_samples_split 個樣本。

min_samples_split：int 或浮點數，默認=2

拆分內部節點所需的最小樣本數：

• 如果是 int，則將 min_samples_split 視為最小數字。
• 如果是浮點數，那麽 min_samples_split 是一個分數，而 ceil(min_samples_split * n_samples) 是每個拆分的最小樣本數。

min_samples_leaf：int 或浮點數，默認=1

葉節點所需的最小樣本數。隻有在左右分支中的每個分支中至少留下min_samples_leaf 訓練樣本時，才會考慮任何深度的分割點。這可能具有平滑模型的效果，尤其是在回歸中。

• 如果是 int，則將 min_samples_leaf 視為最小數字。
• 如果是浮點數，那麽 min_samples_leaf 是分數，而 ceil(min_samples_leaf * n_samples) 是每個節點的最小樣本數。

min_weight_fraction_leaf：浮點數，默認=0.0

需要在葉節點處的權重總和(所有輸入樣本的)的最小加權分數。當未提供sample_weight 時，樣本具有相同的權重。

max_features：int、float 或 {“auto”, “sqrt”, “log2”}，默認 = 無

尋找最佳分割時要考慮的特征數量：

• 如果是 int，則在每次拆分時考慮 max_features 特征。

• 如果是浮點數，那麽 max_features 是一個分數，並且在每次拆分時都會考慮 int(max_features * n_features) 特征。

• 如果 “auto”，那麽 max_features=sqrt(n_features) 。

• 如果 “sqrt”，那麽 max_features=sqrt(n_features) 。

• 如果 “log2”，那麽 max_features=log2(n_features) 。

• 如果沒有，那麽 max_features=n_features 。

注意：在找到至少一個節點樣本的有效分區之前，對拆分的搜索不會停止，即使它需要有效地檢查超過 max_features 的特征。

random_state：int、RandomState 實例或無，默認=無

控製估計器的隨機性。即使 splitter 設置為 "best" ，這些特征總是在每次拆分時隨機排列。當 max_features < n_features 時，算法將在每次拆分時隨機選擇 max_features，然後再找到其中的最佳拆分。但是，即使 max_features=n_features ，最好的拆分可能會因不同的運行而有所不同。就是這樣，如果標準的改進對於幾個拆分是相同的，並且必須隨機選擇一個拆分。為了在擬合期間獲得確定性行為，random_state 必須固定為整數。有關詳細信息，請參閱詞匯表。

max_leaf_nodes：整數，默認=無

以best-first 方式用max_leaf_nodes 種植一棵樹。最佳節點定義為雜質的相對減少。如果 None 則無限數量的葉節點。

min_impurity_decrease：浮點數，默認=0.0

如果該分裂導致雜質減少大於或等於該值，則該節點將被分裂。

加權雜質減少方程如下：

N_t / N * (impurity - N_t_R / N_t * right_impurity
                    - N_t_L / N_t * left_impurity)

其中N是樣本總數，N_t是當前節點的樣本數，N_t_L是左孩子的樣本數，N_t_R是右孩子的樣本數.

N , N_t , N_t_R 和 N_t_L 都是指加權和，如果通過了 sample_weight。

class_weight：dict，dict列表或“balanced”，默認=None

與 {class_label: weight} 形式的類關聯的權重。如果沒有，所有的類都應該有一個權重。對於multi-output 問題，可以按照與 y 的列相同的順序提供字典列表。

請注意，對於多輸出(包括多標簽)，應為其自己的字典中的每一列的每個類定義權重。例如，對於four-class，多標簽分類權重應該是 [{0: 1, 1: 1}, {0: 1, 1: 5}, {0: 1, 1: 1}, {0: 1, 1: 1}] 而不是 [{1:1}, {2:5}, {3:1}, {4:1}]。

“balanced” 模式使用 y 的值自動調整與輸入數據中的類頻率成反比的權重，如 n_samples / (n_classes * np.bincount(y))

對於multi-output，y 的每一列的權重將相乘。

請注意，如果指定了 sample_weight，這些權重將乘以 sample_weight(通過 fit 方法傳遞)。

ccp_alpha：非負浮點數，默認=0.0

用於最小Cost-Complexity 修剪的複雜度參數。將選擇具有最大成本複雜度且小於ccp_alpha 的子樹。默認情況下，不進行剪枝。有關詳細信息，請參閱最小 Cost-Complexity 修剪。

屬性：

classes_：形狀的 ndarray (n_classes,) 或 ndarray 的列表

類標簽(單輸出問題)或類標簽數組列表(multi-output 問題)。

feature_importances_ndarray 形狀 (n_features,)

返回特征重要性。

max_features_：int

max_features 的推斷值。

n_classes_：int 或 int 列表

類數(對於單個輸出問題)，或包含每個輸出的類數的列表(對於multi-output 問題)。

n_features_int

已棄用：屬性 n_features_ 在 1.0 中已棄用，並將在 1.2 中刪除。

n_features_in_：int

擬合期間看到的特征數。

feature_names_in_：ndarray 形狀(n_features_in_，)

擬合期間看到的特征名稱。僅當 X 具有全為字符串的函數名稱時才定義。

n_outputs_：int

執行fit 時的輸出數。

tree_：樹實例

基礎樹對象。請參考 help(sklearn.tree._tree.Tree) 了解 Tree 對象的屬性和了解決策樹結構了解這些屬性的基本用法。

注意：

控製樹大小的參數的默認值(例如 max_depth 、 min_samples_leaf 等)會導致完全生長和未修剪的樹在某些數據集上可能非常大。為了減少內存消耗，應該通過設置這些參數值來控製樹的複雜性和大小。

predict 方法在 predict_proba 的輸出上使用 numpy.argmax 函數進行操作。這意味著，如果最高預測概率是平局，分類器將預測classes_中索引最低的平局類。

參考：

1

https://en.wikipedia.org/wiki/Decision_tree_learning

2

L. Breiman、J. Friedman、R. Olshen 和 C. Stone，“分類和回歸樹”，Wadsworth，Belmont，CA，1984 年。

3

T. Hastie、R. Tibshirani 和 J. Friedman。 “統計學習要素”，施普林格，2009 年。

4

L. Breiman 和 A. Cutler，“Random Forests”，https://www.stat.berkeley.edu/~breiman/RandomForests/cc_home.htm

例子：

>>> from sklearn.datasets import load_iris
>>> from sklearn.model_selection import cross_val_score
>>> from sklearn.tree import DecisionTreeClassifier
>>> clf = DecisionTreeClassifier(random_state=0)
>>> iris = load_iris()
>>> cross_val_score(clf, iris.data, iris.target, cv=10)
...                             
...
array([ 1.     ,  0.93...,  0.86...,  0.93...,  0.93...,
        0.93...,  0.93...,  1.     ,  0.93...,  1.      ])