DecisionTreeClassifier#

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, class_weight=None, ccp_alpha=0.0, monotonic_cst=None)[source]#

一个决策树分类器。

用户指南中阅读更多信息。

参数:
criterion{“gini”, “entropy”, “log_loss”}, 默认值=”gini”

用于衡量分割质量的函数。支持的判别标准有用于基尼不纯度的“gini”,以及用于香农信息增益的“log_loss”和“entropy”,详见数学公式

splitter{“best”, “random”}, 默认值=”best”

在每个节点选择分割的策略。支持的策略有“best”选择最佳分割,“random”选择最佳随机分割。

max_depthint, 默认值=None

树的最大深度。如果为None,则节点会一直扩展,直到所有叶子节点都为纯净或所有叶子节点包含的样本少于min_samples_split。

min_samples_splitint 或 float, 默认值=2

分割内部节点所需的最小样本数

  • 如果为int,则将min_samples_split视为最小样本数。

  • 如果为float,则min_samples_split是一个分数,每个分割所需的最小样本数是ceil(min_samples_split * n_samples)

0.18 版中修改: 添加了浮点值表示分数。

min_samples_leafint 或 float, 默认值=1

叶子节点所需的最小样本数。只有当分割点在左右分支中都至少保留min_samples_leaf个训练样本时,才会在任何深度考虑该分割点。这可能对模型有平滑效果,尤其是在回归中。

  • 如果为int,则将min_samples_leaf视为最小样本数。

  • 如果为float,则min_samples_leaf是一个分数,每个节点所需的最小样本数是ceil(min_samples_leaf * n_samples)

0.18 版中修改: 添加了浮点值表示分数。

min_weight_fraction_leaffloat, 默认值=0.0

叶子节点所需的(所有输入样本)总权重之和的最小加权分数。如果未提供sample_weight,则样本具有相同的权重。

max_featuresint, float 或 {“sqrt”, “log2”}, 默认值=None

在寻找最佳分割时要考虑的特征数量

  • 如果为int,则在每个分割处考虑max_features个特征。

  • 如果为float,则max_features是一个分数,每个分割处考虑max(1, int(max_features * n_features_in_))个特征。

  • 如果为“sqrt”,则max_features=sqrt(n_features)

  • 如果为“log2”,则max_features=log2(n_features)

  • 如果为None,则max_features=n_features

备注

即使需要实际检查超过max_features个特征,分割的搜索也不会停止,直到找到至少一个有效的节点分区为止。

random_stateint, RandomState 实例或 None, 默认值=None

控制估计器的随机性。特征在每次分割时总是随机排列的,即使splitter设置为"best"。当max_features < n_features时,算法在每次分割时会随机选择max_features个特征,然后从中找到最佳分割。但是,即使max_features=n_features,找到的最佳分割也可能在不同运行中有所不同。如果判别标准的改进对于多个分割相同,并且必须随机选择一个分割,则会出现这种情况。为了在拟合过程中获得确定性行为,必须将random_state固定为一个整数。有关详细信息,请参阅词汇表

max_leaf_nodesint, 默认值=None

以最佳优先方式生长具有max_leaf_nodes的树。最佳节点定义为不纯度的相对减少。如果为None,则叶子节点数量不受限制。

min_impurity_decreasefloat, 默认值=0.0

如果此分割导致不纯度减少大于或等于此值,则该节点将被分割。

加权不纯度减少公式如下

N_t / N * (impurity - N_t_R / N_t * right_impurity
                    - N_t_L / N_t * left_impurity)

其中N是样本总数,N_t是当前节点的样本数,N_t_L是左子节点的样本数,N_t_R是右子节点的样本数。

如果传入了sample_weight,则NN_tN_t_RN_t_L均指加权和。

0.19 版中新增。

class_weightdict, list of dict 或 “balanced”, 默认值=None

{class_label: weight}形式表示的与类别相关的权重。如果为None,则所有类别被认为具有权重一。对于多输出问题,可以按照y的列的相同顺序提供字典列表。

请注意,对于多输出(包括多标签),应在其各自的字典中为每个列的每个类别定义权重。例如,对于四类别多标签分类,权重应为[{0: 1, 1: 1}, {0: 1, 1: 5}, {0: 1, 1: 1}, {0: 1, 1: 1}],而不是[{1:1}, {2:5}, {3:1}, {4:1}]。

“balanced”模式使用y的值自动调整权重,使其与输入数据中类别频率成反比,即n_samples / (n_classes * np.bincount(y))

对于多输出,y的每列的权重将相乘。

请注意,如果指定了sample_weight(通过fit方法传入),这些权重将与sample_weight相乘。

ccp_alpha非负浮点数, 默认值=0.0

用于最小成本-复杂度剪枝的复杂度参数。将选择成本复杂度小于ccp_alpha的最大子树。默认情况下,不执行剪枝。有关剪枝过程的详细信息,请参见最小成本-复杂度剪枝。有关此类剪枝的示例,请参见使用成本复杂度剪枝对决策树进行后剪枝

0.22 版中新增。

monotonic_cst形状为 (n_features) 的 int 类型类数组, 默认值=None
指示对每个特征强制执行的单调性约束。
  • 1: 单调递增

  • 0: 无约束

  • -1: 单调递减

如果monotonic_cst为None,则不应用任何约束。

不支持单调性约束的场景有:
  • 多类别分类(即当n_classes > 2时),

  • 多输出分类(即当n_outputs_ > 1时),

  • 在包含缺失值的数据上训练的分类。

约束适用于正类别的概率。

用户指南中阅读更多信息。

1.4 版中新增。

属性:
classes_形状为 (n_classes,) 的 ndarray 或 ndarray 列表

类别标签(单输出问题),或类别标签数组列表(多输出问题)。

feature_importances_形状为 (n_features,) 的 ndarray

返回特征重要性。

max_features_int

推断出的max_features值。

n_classes_int 或 int 列表

类别数量(对于单输出问题),或包含每个输出的类别数量的列表(对于多输出问题)。

n_features_in_int

拟合期间看到的特征数量。

0.24 版中新增。

feature_names_in_形状为 (n_features_in_,) 的 ndarray

拟合期间看到的特征名称。仅当X的特征名称都是字符串时才定义。

1.0 版中新增。

n_outputs_int

执行fit时的输出数量。

tree_Tree 实例

底层Tree对象。有关Tree对象的属性,请参考help(sklearn.tree._tree.Tree);有关这些属性的基本用法,请参考理解决策树结构

另请参阅

DecisionTreeRegressor

一个决策树回归器。

备注

控制树大小的参数(例如max_depthmin_samples_leaf等)的默认值会导致在某些数据集上完全生长且未剪枝的树,这可能非常庞大。为了减少内存消耗,应通过设置这些参数值来控制树的复杂性和大小。

predict方法使用numpy.argmax函数对predict_proba的输出进行操作。这意味着如果最高预测概率相同,分类器将预测classes_中索引最低的同概率类别。

参考文献

[2]

L. Breiman, J. Friedman, R. Olshen, and C. Stone, “Classification and Regression Trees”, Wadsworth, Belmont, CA, 1984.

[3]

T. Hastie, R. Tibshirani and J. Friedman. “Elements of Statistical Learning”, Springer, 2009.

[4]

L. Breiman, and A. Cutler, “Random Forests”, https://www.stat.berkeley.edu/~breiman/RandomForests/cc_home.htm

示例

>>> from sklearn.datasets import load_iris
>>> from sklearn.model_selection import cross_val_score
>>> from sklearn.tree import DecisionTreeClassifier
>>> clf = DecisionTreeClassifier(random_state=0)
>>> iris = load_iris()
>>> cross_val_score(clf, iris.data, iris.target, cv=10)
...                             
...
array([ 1.     ,  0.93,  0.86,  0.93,  0.93,
        0.93,  0.93,  1.     ,  0.93,  1.      ])
apply(X, check_input=True)[source]#

返回每个样本被预测为的叶子节点的索引。

0.17 版中新增。

参数:
X{类数组, 稀疏矩阵}, 形状为 (n_samples, n_features)

输入样本。在内部,它将被转换为dtype=np.float32,如果提供稀疏矩阵,则转换为稀疏csr_matrix

check_inputbool, 默认值=True

允许绕过一些输入检查。除非您知道自己在做什么,否则请勿使用此参数。

返回:
X_leaves形状为 (n_samples,) 的类数组

对于X中的每个数据点x,返回x最终所在的叶子节点的索引。叶子节点在[0; self.tree_.node_count)范围内编号,可能存在编号上的间隙。

cost_complexity_pruning_path(X, y, sample_weight=None)[source]#

在最小成本-复杂度剪枝期间计算剪枝路径。

有关剪枝过程的详细信息,请参阅最小成本-复杂度剪枝

参数:
X{类数组, 稀疏矩阵}, 形状为 (n_samples, n_features)

训练输入样本。在内部,它将被转换为dtype=np.float32,如果提供稀疏矩阵,则转换为稀疏csc_matrix

y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组

目标值(类别标签)为整数或字符串。

sample_weight形状为 (n_samples,) 的类数组, 默认值=None

样本权重。如果为None,则样本权重相等。在每个节点寻找分割时,忽略那些会创建净权重为零或负的子节点的分割。如果分割会导致任何单个类别在任一子节点中带有负权重,也会忽略该分割。

返回:
ccp_pathBunch

字典状对象,具有以下属性。

ccp_alphasndarray

剪枝期间子树的有效 alpha 值。

impuritiesndarray

对应ccp_alphas中 alpha 值的子树叶子节点的不纯度之和。

decision_path(X, check_input=True)[source]#

返回树中的决策路径。

0.18 版中新增。

参数:
X{类数组, 稀疏矩阵}, 形状为 (n_samples, n_features)

输入样本。在内部,它将被转换为dtype=np.float32,如果提供稀疏矩阵,则转换为稀疏csr_matrix

check_inputbool, 默认值=True

允许绕过一些输入检查。除非您知道自己在做什么,否则请勿使用此参数。

返回:
indicator形状为 (n_samples, n_nodes) 的稀疏矩阵

返回一个节点指示器CSR矩阵,其中非零元素表示样本通过了这些节点。

fit(X, y, sample_weight=None, check_input=True)[source]#

从训练集 (X, y) 构建决策树分类器。

参数:
X{类数组, 稀疏矩阵}, 形状为 (n_samples, n_features)

训练输入样本。在内部,它将被转换为dtype=np.float32,如果提供稀疏矩阵,则转换为稀疏csc_matrix

y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组

目标值(类别标签)为整数或字符串。

sample_weight形状为 (n_samples,) 的类数组, 默认值=None

样本权重。如果为None,则样本权重相等。在每个节点寻找分割时,忽略那些会创建净权重为零或负的子节点的分割。如果分割会导致任何单个类别在任一子节点中带有负权重,也会忽略该分割。

check_inputbool, 默认值=True

允许绕过一些输入检查。除非您知道自己在做什么,否则请勿使用此参数。

返回:
selfDecisionTreeClassifier

已拟合的估计器。

get_depth()[source]#

返回决策树的深度。

树的深度是根节点到任何叶子节点的最大距离。

返回:
self.tree_.max_depthint

树的最大深度。

get_metadata_routing()[source]#

获取此对象的元数据路由。

请查看用户指南以了解路由机制的工作原理。

返回:
routingMetadataRequest

一个封装路由信息的MetadataRequest

get_n_leaves()[source]#

返回决策树的叶子节点数量。

返回:
self.tree_.n_leavesint

叶子节点数量。

get_params(deep=True)[source]#

获取此估计器的参数。

参数:
deepbool, 默认值=True

如果为True,将返回此估计器及其包含的子对象(如果它们是估计器)的参数。

返回:
paramsdict

参数名称映射到其值。

predict(X, check_input=True)[source]#

预测X的类别或回归值。

对于分类模型,返回X中每个样本的预测类别。对于回归模型,返回基于X的预测值。

参数:
X{类数组, 稀疏矩阵}, 形状为 (n_samples, n_features)

输入样本。在内部,它将被转换为dtype=np.float32,如果提供稀疏矩阵,则转换为稀疏csr_matrix

check_inputbool, 默认值=True

允许绕过一些输入检查。除非您知道自己在做什么,否则请勿使用此参数。

返回:
y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组

预测的类别,或预测的值。

predict_log_proba(X)[source]#

预测输入样本X的类别对数概率。

参数:
X{类数组, 稀疏矩阵}, 形状为 (n_samples, n_features)

输入样本。在内部,它将被转换为dtype=np.float32,如果提供稀疏矩阵,则转换为稀疏csr_matrix

返回:
proba形状为 (n_samples, n_classes) 的 ndarray,如果 n_outputs > 1,则为 n_outputs 个此类数组的列表

输入样本的类别对数概率。类别的顺序与属性classes_中的顺序一致。

predict_proba(X, check_input=True)[source]#

预测输入样本X的类别概率。

预测的类别概率是叶子节点中同类样本的比例。

参数:
X{类数组, 稀疏矩阵}, 形状为 (n_samples, n_features)

输入样本。在内部,它将被转换为dtype=np.float32,如果提供稀疏矩阵,则转换为稀疏csr_matrix

check_inputbool, 默认值=True

允许绕过一些输入检查。除非您知道自己在做什么,否则请勿使用此参数。

返回:
proba形状为 (n_samples, n_classes) 的 ndarray,如果 n_outputs > 1,则为 n_outputs 个此类数组的列表

输入样本的类别概率。类别的顺序与属性classes_中的顺序一致。

score(X, y, sample_weight=None)[source]#

返回所提供数据和标签上的准确率

在多标签分类中,这是子集准确率,这是一个严格的指标,因为它要求每个样本的每个标签集都正确预测。

参数:
X形状为 (n_samples, n_features) 的类数组

测试样本。

y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组

X的真实标签。

sample_weight形状为 (n_samples,) 的类数组, 默认值=None

样本权重。

返回:
scorefloat

self.predict(X)相对于y的平均准确率。

set_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') DecisionTreeClassifier[source]#

请求传递给fit方法的元数据。

请注意,此方法仅在enable_metadata_routing=True时相关(参阅sklearn.set_config)。请参阅用户指南以了解路由机制的工作原理。

每个参数的选项是

  • True: 请求元数据,如果提供则传递给fit。如果未提供元数据,则忽略该请求。

  • False: 不请求元数据,且元估计器不会将其传递给fit

  • None: 不请求元数据,如果用户提供,则元估计器将引发错误。

  • str: 元数据应以给定别名而非原始名称传递给元估计器。

默认值 (sklearn.utils.metadata_routing.UNCHANGED) 保留现有请求。这允许您更改某些参数的请求而不更改其他参数。

1.3 版中新增。

备注

此方法仅当此估计器用作元估计器的子估计器时才相关,例如在Pipeline内部使用时。否则,它没有效果。

参数:
sample_weightstr, True, False, 或 None, 默认值=sklearn.utils.metadata_routing.UNCHANGED

fit方法中sample_weight参数的元数据路由。

返回:
selfobject

更新后的对象。

set_params(**params)[source]#

设置此估计器的参数。

此方法适用于简单估计器以及嵌套对象(例如Pipeline)。后者具有<component>__<parameter>形式的参数,因此可以更新嵌套对象的每个组件。

参数:
**paramsdict

估计器参数。

返回:
self估计器实例

估计器实例。

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') DecisionTreeClassifier[source]#

请求传递给score方法的元数据。

请注意,此方法仅在enable_metadata_routing=True时相关(参阅sklearn.set_config)。请参阅用户指南以了解路由机制的工作原理。

每个参数的选项是

  • True: 请求元数据,如果提供则传递给score。如果未提供元数据,则忽略该请求。

  • False: 不请求元数据,且元估计器不会将其传递给score

  • None: 不请求元数据,如果用户提供,则元估计器将引发错误。

  • str: 元数据应以给定别名而非原始名称传递给元估计器。

默认值 (sklearn.utils.metadata_routing.UNCHANGED) 保留现有请求。这允许您更改某些参数的请求而不更改其他参数。

1.3 版中新增。

备注

此方法仅当此估计器用作元估计器的子估计器时才相关,例如在Pipeline内部使用时。否则,它没有效果。

参数:
sample_weightstr, True, False, 或 None, 默认值=sklearn.utils.metadata_routing.UNCHANGED

score方法中sample_weight参数的元数据路由。

返回:
selfobject

更新后的对象。