基于sklearn的决策树应用实战

在sklearn中，我们主要使用两个决策树方法，均封装在tree模块下。

分别是分类树tree.DecisionTreeClassifier、回归树tree.DecisionTreeRegressor，对应分别基于决策树解决分类问题和回归问题。

本次主要以分类树的使用过程为例进行介绍。在sklearn中分类决策树的函数方法如下：

DecisionTreeClassifier(class_weight=None, criterion='gini', max_depth=None,
                       max_features=None, max_leaf_nodes=None,
                       min_impurity_decrease=0.0, min_impurity_split=None,
                       min_samples_leaf=1, min_samples_split=2,
                       min_weight_fraction_leaf=0.0, presort=False,
                       random_state=None, splitter='best')

主要参数介绍：
1、criterion
这个参数是用来指定构造树时，树的“不纯度”的计算方法，主要有两种：
（1）entropy，使用信息熵来构造
（2）gini，使用基尼系数来构造（默认采用此模式）