目录
1. 介绍
1. tree.DecisionTreeClassifier（分类树）
（1）模型基本参数
（2）模型属性
（3）接口
2. tree.DecisionTreeRegressor（回归树）
3. tree.export_graphviz（将生成的树>决策树导出为DOT格式，画图专用）
4. 其他（补充）
1. 优点
2. 缺点
一、认识树>决策树
1. 介绍
树>决策树（Decision Tree）是一种非参数的有监督学习方法，它能够从一系列 有特征和标签的数据中总结出决策规则，并用树状图的结构来呈现这些规则，以解决分类和回归问题。树>决策树算法容易理解，适用各种数据，在解决各种问题时都有良好表现，尤其是以树模型为核心的各种集成算法，在各个行业和领域都有广泛的应用。
2. 树>决策树生成过程
上面这组数据集为 一系列已知物种以及所属类别的数据。我们现在的目标是，将动物们分为哺乳类和非哺乳类。根据已经收集到的数据，树>决策树算法 可以算出了下面的 这棵树>决策树：
假如我们现在发现了一种 新物种 A，它是冷血动物，体表带鳞片，并且不是胎生，我们就可以通过这棵树>决策树来判断它的 所属类别。
涉及关键概念：节点
① 根节点：没有进边，有出边。包含最初的，针对特征的提问。
② 中间节点：既有进边也有出边，进边只有一条，出边可以有很多条。都是针对特征的提问。
③ 叶子节点：有进边，没有出边，每个叶子节点都是一个类别标签。
④ 子节点和父节点：在两个相连的节点中，更接近根节点的是父节点，另一个是子节点。
二、sklearn中的树>决策树
涉及模块：sklearn.tree
1. tree.DecisionTreeClassifier（分类树）
（1）模型基本参数
（2）模型属性
（3）接口
2. tree.DecisionTreeRegressor（回归树）
重要参数：criterion
回归树 衡量分枝质量的 指标，支持的标准有三种：
① 输入“mse”使用均方误差mean squared error（MSE），父节点和叶子节点之间的 均方误差的差额 将被用来作为 特征选择的标准，这种方法通过使用 叶子节点的均值来 最小化 L2损失。
② 输入“friedman_mse”，使用费尔德曼均方误差，这种指标使用弗里德曼针对潜在分枝中的问题改进后的均方误差。
③ 输入“mae”使用绝对平均误差MAE （mean absolute error），这种指标使用叶节点的中值来 最小化 L1损失。
3. tree.export_graphviz（将生成的树>决策树导出为DOT格式，画图专用）
4. 其他（补充）
① 信息熵的计算比基尼系数缓慢一些，因为基尼系数的计算不涉及对数。另外，因为信息熵对不纯度更加敏感，所以信息熵作为指标时，树>决策树的生长会更加“精细”，因此对于高维数据或者噪音很多的数据，信息熵很容易过拟合，基尼系数在这种情况下效果往往比较好。
② random_state用来设置分枝中的随机模式的参数，默认None，在高维度时随机性会表现更明显，低维度的数据（比如鸢尾花数据集），随机性几乎不会显现。输入任意整数，会一直长出同一棵树，让模型稳定下来。
③ splitter也是用来控制树>决策树中的随机选项的，有两种输入值，输入“best”，树>决策树在分枝时虽然随机，但是还是会优先选择更重要的特征进行分枝（重要性可以通过属性feature_importances_查看），输入“random”，树>决策树在分枝时会更加随机，树会因为含有更多的不必要信息而更深更大，并因这些不必要信息而降低对训练集的拟合。
④ 在不加限制的情况下，一棵树>决策树会生长到衡量不纯度的指标最优，或者没有更多的特征可用为止，这样的树>决策树往往会过拟合。为了让树>决策树有更好的泛化性，需要要对树>决策树进行剪枝。剪枝策略对树>决策树的影响巨大，正确的剪枝策略是优化树>决策树算法的核心。
三、树>决策树的优缺点
1. 优点
① 易于 理解和解释，因为树木可以画出来被看见。
② 需要 很少的 数据准备。其他很多算法 通常都需要 数据规范化，需要 创建虚拟变量并删除空值 等。但 sklearn中的树>决策树模块 不支持对缺失值的处理。
③ 使用 树的成本（比如说，在预测数据的时候）是用于 训练树的数据点的 数量的 对数，相比于 其他算法，这是一个 很低的成本。
④ 能够同时 处理数字 和 分类 数据，既可以做 回归又可以 做分类。其他技术通常专门用于分析仅具有 一种变量类型的 数据集。
⑤ 能够处理 多输出问题，即含有 多个标签的问题（注意与一个标签中含有多种标签分类的问题区别开）
⑥ 是一个 白盒模型，结果很容易 能够被解释。如果 在模型中可以观察 到给定的情况，则可以通过布尔逻辑 轻松解释 条件。相反，在 黑盒模型中（例如，在人工神经网络中），结果可能更难以解释。
⑦ 可以 使用统计测试验证 模型，这让 我们可以 考虑模型的 可靠性。即使 其假设 在某种程度上 违反了生成数据的 真实模型，也能够表现良好。
2. 缺点
① 树>决策树学习者 可能创建 过于复杂的树，这些 树不能很好地 推广数据。这称为过度拟合。修剪，设置叶节点所需的最小样本数或设置树的最大深度等机制是 避免此问题所必需的。
② 树>决策树 可能不稳定，数据中 微小的变化 可能导致 生成完全 不同的树，这个问题需要通过 集成算法来解 决。
③ 树>决策树的 学习是 基于贪婪算法，它靠 优化局部最优（每个节点的最优）来 试图达到整体的最优，但这种 做法 不能保证返回 全局最优树>决策树。这个问题 也可以 由集成算法 来解决，在随机森林中，特征和样本会 在分枝过程中 被随机采样。
④ 有些概念 很难学习，因为树>决策树 不容易表达它们，例如 XOR，奇偶校验 或多路复用器问题。
⑤ 如果标签中的 某些类占 主导地位，树>决策树学习者 会创建偏向 主导类的树。因此，建议在 拟合树>决策树 之前 平衡数据集。
