【发布时间】:2021-03-07 08:03:33
【问题描述】:
假设我有n 训练样本和二元分类任务。我想训练一个可能深度最小且总节点数最少的决策树,这样n 样本的训练精度为 100%。在最坏的情况下,这意味着我每个样本都有一个叶节点。在 Scikit-Learn 的 DecisionTreeClassifier 的实现 [1] 中是否有一些参数配置可以让我实现这一目标?
【问题讨论】:
-
max_depth:树的最大深度。如果为 None,则扩展节点,直到所有叶子都是纯的或直到所有叶子包含少于 min_samples_split 样本。 -
如果你不设置最大深度,它将把树发展到最大
-
我认为这不是真的。
max_depth设置深度上限。但是如果你设置(比如)max_depth= 1000,clf.get_depth() == max_depth并不总是这样。 -
哪个更小 :p clf.get_depth() ?
-
我认为您不了解树木的工作原理。你有一个算法试图将你的数据分成一篮子纯叶子,如果它到达一个点,一切都被分割了,它就会停止。因此,clf.get_depth 不会像你设置的 max_depth 那样大,一旦它生成完整的树就会停止,这可能只使用 6 深度。
标签: python scikit-learn