确定sklearn决策树中的拆分量

Question

我使用fitctree函数（link:https://de.mathworks.com/help/stats/classificationtree-class.html）在Matlab中开发了一个决策树（集成）。在

现在我想用python重新构建相同的集成。因此，我使用带有“DecisionTreeClassifier”的sklearn库（链接：http://scikit-learn.org/stable/modules/generated/sklearn.tree.DecisionTreeClassifier.html）。在

在Matlab中，我通过设置以下内容定义了每棵树的最大拆分量： “MaxNumSplits”-fitctree函数中的最大决策拆分数。 这样就可以定义分支节点的数量。在

现在我了解了“DecisionTreeClassifier”对象的属性，没有任何类似的选项。我说得对吗？我发现用来控制每棵树中节点数量的是“max_leaf_nodes”，它显然控制了叶节点的数量。在

第二：“最大深度”到底控制什么？如果不是“无”，那么整数“max_depth=int”代表什么？在

感谢你的帮助和建议。谢谢您！在

Answer 1

据我所知，在scikit learn中没有限制拆分（节点）总数的选项。但是，您可以将max_leaf_nodes设置为MaxNumSplits + 1，结果应该是等效的。在

假设我们的树有n_split分裂节点和n_leaf叶节点。如果拆分一个叶节点，则将其转换为拆分节点并添加两个新的叶节点。所以n_splits和{}都增加了1。我们通常只从根节点（n_splits=0，n_leafs=1）开始，每次拆分都会增加两个数字。因此，叶节点的数目总是n_leafs == n_splits + 1。在

至于max_depth；深度是树有多少层。换句话说，深度是根节点和最远叶节点之间的最大节点数。max_depth参数限制此深度。如果节点位于树的下方太远，它可以防止进一步拆分节点。（您可以将max_depth看作是在做出决定之前对分割数的限制。）