【问题标题】：Interpreting information on Decision Tree nodes from sklearn从 sklearn 解释决策树节点的信息
【发布时间】：2021-09-03 11:38:47
【问题描述】：
用 sklearn 创建的决策树的每个节点的“值”是什么解释？我认为“值”中的数字应该加起来为“样本”，但正如您从图像中看到的那样，我的没有。 （这是一张只有一个节点的图片，但它们都是这样的。）我知道这一定与我应用的类权重有关，因为当我制作没有加权的决策树时，这些值加起来就是样本.但是由于我的数据的 10% 是“1”，而目标变量 90% 是“0”，因此我分配了 {0:0:10, 1:0.90} 的类权重以补偿数据中的不平衡。是不是应该反过来？
请帮助我理解如何解释决策树中的每个节点。谢谢！
【问题讨论】：
标签：
python
scikit-learn
decision-tree
【解决方案1】：
value 的解释只是样本的总和乘以它们各自的权重。
我们可以根据您的情况推断 254.5 是加权为 0.1 的类。所以，这意味着我们有 2545 个该类的样本（因为 2545 * 0.1 = 254.5）。同样，20 * 0.9 = 18，所以我们有 20 个类别的样本，加权为 0.9。结果是 2545 + 20 = 2565 个样本，等于您的样本。
在默认情况下，样本权重都是 1，这意味着 value 将与样本数相加。
我建议使用整数权重{0:1, 1:9}，因为除非必要，否则应避免使用浮点数。