sklearn中决策树算法参数共有13个，如下： 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_featur

决策树 概念举栗子 import numpy as np 引入数据： s= '''在1948年，香农引入了信息熵，将其定义为离散随机事件出现的概率，一个系统越是有序，信息熵就越低，反之一个系统越是混乱，它的信息熵就越高。所以信息熵可以被认为是系统有序化程度的一个度量。'''s_l = list(s)len(s_l)Out：93# 打乱顺序index = np.arange(93)

DecisionTreeClassifier重要参数 1.criterion 要将表格转化成一颗树，决策树需要找出最佳节点和最佳的分枝方法，对分类树来说，衡量这个“最佳”指标“叫做不纯度 criterion这个参数正是用来决定不纯度的计算方法。sklearn提供了两种选择： 1）输入”entropy“，使用信息熵 2）输入”gini“，使用基尼系数 决策树的基本