决策树拆分策略

Question

我有一个包含 4 个分类特征（胆固醇、收缩压、舒张压和吸烟率）的数据集。我使用决策树分类器来查找中风的概率。

我正在尝试验证我对 Python Sklearn 完成的拆分过程的理解。

由于它是一棵二叉树，有三种可能的方法来分割第一个特征，或者将类别 {0 和 1 分组到一个叶子，2 到另一个叶子} 或 {0 and 2, 1}，或者 { 0、1 和 2}。我所知道的（请在这里纠正我）是选择的拆分是信息增益最少的拆分（基尼杂质）。

我已经计算了三个分组场景中每一个的信息增益：

{0 + 1 , 2} --> 0.17

{0 + 2 , 1} --> 0.18

{1 + 2 , 0} --> 0.004

但是，sklearn 的决策树选择了第一个场景而不是第三个（请查看图片）。

任何人都可以帮助澄清选择的原因吗？是否存在导致纯节点的拆分的优先级。因此选择这样的场景虽然它的信息增益较少？

Answer 1

算法基于最大化信息增益（=最小化熵）进行分割： https://scikit-learn.org/stable/modules/tree.html#tree-algorithms-id3-c4-5-c5-0-and-cart