决策树调参说明（DecisionTreeClassifier）
sklearn中决策树算法参数共有13个，如下：
DecisionTreeClassifier(criterion=’gini’, splitter=’best’, max_depth=None, min_samples_split=2, min_samples_lea
英⽂⽂档在这：
criterion：gini或者entropy，前者是基尼系数，后者是信息熵。两种算法差异不⼤对准确率⽆影响，信息墒运算效率低⼀点，因为它有对数运算.⼀般说使⽤默认的基尼系数”gini”就可以了，即CART算法。除⾮你更喜欢类似ID3, C4.5的最优特征选择⽅法。简笔画坦克
我读书我快乐作文600字splitter： best or random 前者是在所有特征中找最好的切分点 后者是在部分特征中，默认的”best”适合样本量不⼤的时候，⽽如果样本数据量⾮常⼤，此时决策树构建推荐”random” 。
max_features：None（所有），log2，sqrt，N 特征⼩于50的时候⼀般使⽤所有的
max_depth： int or None, optional (default=None) ⼀般来说，数据少或者特征少的时候可以不管这个值。如果模型样本量多，特征也多的情况下，推荐限制这个最⼤深度，具体的取值取决于数据的分布。常⽤的可以取值10-100之间。常⽤来解决过拟合
min_samples_split： 如果某节点的样本数少于min_samples_split，则不会继续再尝试选择最优特征来进⾏划分，如果样本量不⼤，不需要管这个值。如果样本量数量级⾮常⼤，则推荐增⼤这个值。
玉的诗句min_samples_leaf： 这个值限制了叶⼦节点最少的样本数，如果某叶⼦节点数⽬⼩于样本数，则会和兄弟节点⼀起被剪枝，如果样本量不⼤，不需要管这个值，⼤些如10W可是尝试下5我的假期收获
min_weight_fraction_leaf： 这个值限制了叶⼦节点所有样本权重和的最⼩值，如果⼩于这个值，则会和兄弟节点⼀起被剪枝默认是
0，就是不考虑权重问题。⼀般来说，如果我们有较多样本有缺失值，或者分类树样本的分布类别偏差很⼤，就会引⼊样本权重，这时我们就要注意这个值了。
max_leaf_nodes： 通过限制最⼤叶⼦节点数，可以防⽌过拟合，默认是"None”，即不限制最⼤的叶⼦节点数。如果加了限制，算法会建⽴在最⼤叶⼦节点数内最优的决策树。如果特征不多，可以不考虑这个值，但是如果特征分成多的话，可以加以限制具体的值可以通过交叉验证得到。
class_weight： 指定样本各类别的的权重，主要是为了防⽌训练集某些类别的样本过多导致训练的决策树过于偏向这些类别。这⾥可
无限小数以⾃⼰指定各个样本的权重，如果使⽤“balanced”，则算法会⾃⼰计算权重，样本量少的类别所对应的样本权重会⾼。合欢树史铁生原文
min_impurity_split： 这个值限制了决策树的增长，如果某节点的不纯度(基尼系数，信息增益，均⽅差，绝对差)⼩于这个阈值则该节点不再⽣成⼦节点。即为叶⼦节点 。为什么要光盘行动
模型调参注意事项：
当样本少数量但是样本特征⾮常多的时候，决策树很容易过拟合，⼀般来说，样本数⽐特征数多⼀些会⽐较容易建⽴健壮的模型水煮鸡蛋要煮多久
如果样本数量少但是样本特征⾮常多，在拟合决策树模型前，推荐先做维度规约，⽐如主成分分析（PCA），特征选择（Losso）或者独⽴成分分析（ICA）。这样特征的维度会⼤⼤减⼩。再来拟合决策树模型效果会好。
推荐多⽤决策树的可视化，同时先限制决策树的深度（⽐如最多3层），这样可以先观察下⽣成的决策树⾥数据的初步拟合情况，然后再决定是否要增加深度。
在训练模型先，注意观察样本的类别情况（主要指分类树），如果类别分布⾮常不均匀，就要考虑⽤class_weight来限制模型过于偏向样本多的类别。
决策树的数组使⽤的是numpy的float32类型，如果训练数据不是这样的格式，算法会先做copy再运⾏。
如果输⼊的样本矩阵是稀疏的，推荐在拟合前调⽤csc_matrix稀疏化，在预测前调⽤csr_matrix稀疏化。
