决策树的深度取决于什么？答案

【问题标题】：What does depth of decision tree depend on?决策树的深度取决于什么？
【发布时间】：2019-03-10 09:52:03
【问题描述】：

下面是 DecisionTreeClassifier 的参数：max_depth

http://scikit-learn.org/stable/modules/generated/sklearn.tree.DecisionTreeClassifier.html

max_depth : int or None, optional (default=None)

    The maximum depth of the tree. If None, then nodes are expanded until all leaves are pure or until all leaves contain less than min_samples_split samples.

我一直认为决策树的深度应该等于或小于给定数据集的特征（属性）的数量。如果我们在提到的那个参数的输入之前找到纯类怎么办？它会停止分裂还是进一步分裂直到提到的输入？

拆分时是否可以在决策树的两个不同级别中使用相同的属性？

【问题讨论】：

树深度仅用作给定数字（小于log(n)）的停止标准。如果你到达一片叶子（只有 1 次观察），你将从此时开始停止构建。

标签： machine-learning scikit-learn decision-tree supervised-learning

【解决方案1】：

如果决策树的特征数量非常多，那么它可能会变得非常大。要回答您的问题，是的，如果找到纯类变量，它将停止。这是决策树倾向于过度拟合的另一个原因。

您希望在使用 Random Forest 时使用 max_depth 参数，它不会选择任何特定树的所有特征，因此不会期望所有树都长到可能的最大深度，这反过来又需要修剪。决策树是弱学习器，在 RandomForest 中，它们与 max_depth 一起参与投票。有关这些 RF 和 DT 关系的更多详细信息可以在 Internet 上轻松搜索。发表了一系列文章。

因此，通常当您拥有大量特征时，您希望使用 max_depth。此外，在实际实现中，您希望使用 RandomForest 而不是单独使用 DecisionTree。

【讨论】：