扫码加入数据分析学习群

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, min_impurity_split=None, class_weight=None, presort=False)

criterion :特征选择标准 ，默认是’gini’基尼系数，亦可设定 “entropy”用于信息增益.

splitter ：特征划分点选择标准 ，默认是’best’，亦可设定’random’去选择最优随机分裂。

max_depth ：默认为None，树的最大深度

min_samples_split ：默认为2，分裂内部节点需要的最小样本数

min_samples_leaf ：默认为1，叶节点需要的最小样本数

min_weight_fraction_leaf ：默认为0，叶节点中输入样本的最小权重比例

max_features：默认为None，寻找最优分裂时使用的特征变量的个数

random_state ：默认为None，为随机数据生成器提供的种子

max_leaf_nodes ：默认为None，最大叶节点个数

min_impurity_decrease：节点分裂所需的最小不纯度减小值，默认为0.  这个值限制了决策树的增长，如果某节点的不纯度小于这个阈值，则该节点不再生成子节点。即为叶子节点 。

class_weight ：与类相关的权重，以{类标签：权重}赋值，默认为None，各类的权重为1

presort ：布尔值默认为False，是否预排序数据从而在拟合中加速找到最优分裂