决策树参数调节

基本的决策树语法如下

from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
cancer=load_breast_cancer()
X_train,X_test,y_train,y_test=train_test_split(
    cancer.data,cancer.target,stratify=cancer.target,random_state=42)
tree=DecisionTreeClassifier(random_state=0)
tree.fit(X_train,y_train)

倒数第二行，我们使用默认的决策树创建类型，这样会导致训练集上绝对的吻合，模型出现严重的过拟合。
因此我们有必要了解DecisionTreeClassifier函数的参数意义，以及针对不同类型的数据如何选择。

DecisionTreeClassifier的典型参数

• criterion（特征选择标准）
  可选择ceriterion=‘gini’ 或ceriterion=‘entropy’
  前者是基尼系数，后者是信息熵。两者差别不大，默认使用gini系数
• splitter（特征划分标准）
  可选择splitter='best’或splitter=‘random’
  前者在特征的所有划分点中找出最优的划分点。后者是随机的在部分划分点中找局部最优的划分点。默认使用best，它适合样本量不大的情况，若样本量较大，推荐使用random
• max_depth（决策树最大深度）
  默认为Non，可赋int值。
  在样本量多，特征多的时候，可设置max_depth来解决过拟合问题。
• min_impurity_decrease（节点划分最小不纯度）
  默认为0，可赋float值。
  这个值限制了决策树的增长，如果某节点的不纯度(基尼系数，信息增益，均方差，绝对差)小于这个阈值，则该节点不再生成子节点。
• min_samples_split（内部节点再划分所需最小样本数）
  默认为2，可赋int或float值。若为float则向上取整
  顾名思义,但在样本数较少时几乎没有影响
• min_samples_leaf（叶子节点最少样本数）
  可赋int或float值
  这个值限制了叶子节点最少的样本数，如果某叶子节点数目小于样本数，则会和兄弟节点一起被剪枝。
• max_leaf_nodes（最大叶子节点数）
  默认为0，可赋int值
  通过限制最大叶子节点数，可以防止过拟合，默认是”None”，即不限制最大的叶子节点数。如果加了限制，算法会建立在最大叶子节点数内最优的决策树。如果特征不多，可以不考虑这个值，但是如果特征分成多的话，可以加以限制，具体的值可以通过交叉验证得到。
• min_impurity_split（信息增益的阀值）
  决策树在创建分支时，信息增益必须大于这个阀值，否则不分裂
• min_weight_fraction_leaf（叶子节点最小的样本权重和）
  默认为0，可赋float值
  这个值限制了叶子节点所有样本权重和的最小值，如果小于这个值，则会和兄弟节点一起被剪枝。 一般来说，如果我们有较多样本有缺失值，或者分类树样本的分布类别偏差很大，就会引入样本权重，这时我们就要注意这个值了。
• class_weight（类别权重）
  默认是non，可选择class_weight=‘balanced’
  指定样本各类别的的权重，主要是为了防止训练集某些类别的样本过多，导致训练的决策树过于偏向这些类别。如果使用“balanced”，则算法会自己计算权重，样本量少的类别所对应的样本权重会高。当然，如果你的样本类别分布没有明显的偏倚，则可以不管这个参数。
  另外，non不适用与回归树。
  这些参数放在这里做参考，没必要也没法完全明白它们的意义。在实际调整中不断完善对它们的理解。

模型调参注意事项

• 当样本少数量但是样本特征非常多的时候，决策树很容易过拟合，一般来说，样本数比特征数多一些会比较容易建立健壮的模型
• 如果样本数量少但是样本特征非常多，在拟合决策树模型前，推荐先做维度规约，比如主成分分析（PCA），特征选择（Losso）或者独立成分分析（ICA）。这样特征的维度会大大减小。再来拟合决策树模型效果会好。
• 推荐多用决策树的可视化，同时先限制决策树的深度（比如最多3层），这样可以先观察下生成的决策树里数据的初步拟合情况，然后再决定是否要增加深度。
• 在训练模型先，注意观察样本的类别情况（主要指分类树），如果类别分布非常不均匀，就要考虑用class_weight来限制模型过于偏向样本多的类别。
• 决策树的数组使用的是numpy的float32类型，如果训练数据不是这样的格式，算法会先做copy再运行。
• 如果输入的样本矩阵是稀疏的，推荐在拟合前调用csc_matrix稀疏化，在预测前调用csr_matrix稀疏化。