下面是 DecisionTreeClassifier 的参数:max_深度
http://scikit-learn.org/stable/modules/generated/sklearn.tree.DecisionTreeClassifier.html
max_depth : int or None, optional (default=None)
The maximum depth of the tree. If None, then nodes are expanded until all leaves are pure or until all leaves contain less than min_samples_split samples.
我一直认为决策树的深度应该等于或小于给定数据集的特征(属性)数量。如果我们在该参数的上述输入之前找到纯类怎么办?它是否停止 split 或进一步 split 直到提到的输入?
split 时是否可以在决策树的两个不同级别中使用相同的属性?
最佳答案
如果决策树的特征数量非常多,那么它可能会变得非常大。要回答你的问题,是的,如果找到纯类变量,它就会停止。 这是决策树容易过度拟合的另一个原因。
当您使用随机森林时,您希望使用 max_depth 参数,它不会选择任何特定树的所有特征,因此预计所有树都不会生长到最大可能的深度,这反过来又需要修剪。决策树是弱学习器,在随机森林中它们与 max_深度一起参与投票。有关这些 RF 和 DT 关系的更多详细信息可以在互联网上轻松搜索。发表了一系列文章。
因此,通常当您拥有大量特征时,您会希望使用 max_depth 。此外,在实际实现中,您希望使用 RandomForest 而不是单独使用 DecisionTree。
关于machine-learning - 决策树的深度取决于什么?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/52656297/