1、 决策树
1.2 sklearn中的决策树 2、分类树
2.1 重要参数
1、criterion2、random_state & splitter3、剪枝参数
1、max_depth2、min_samples_leaf3、min_samples_split4、max_features & min_impurity_decrease确认最优的剪枝参数 4、目标权重参数
1、class_weight & min_weight_fraction_leaf 2.2 重要属性和接口
1.属性2.接口
1、训练的 fit.() 和 准确度 score.()2、apply和predict 3.代码 3、回归树
3.1 重要参数，属性及接口
1、参数：criterion2、属性：feature_importances_，3、接口依然是apply, fit, predict, score最核心4、简单看看回归树是怎样工作的 代码 3、实例：泰坦尼克号幸存者的预测
1、 决策树
关键概念：节点
根节点：没有进边，有出边。包含最初的，针对特征的提问。
中间节点：既有进边也有出边，进边只有一条，出边可以有很多条。都是针对特征的提问。
叶子节点：有进边，没有出边，每个叶子节点都是一个类别标签。
子节点和父节点：在两个相连的节点中，更接近根节点的是父节点，另一个是子节点。
决策树算法的核心是要解决两个问题：
1）如何从数据表中找出最佳节点和最佳分枝？
2）如何让决策树停止生长，防止过拟合？
八个参数：Criterion，两个随机性相关的参数（random_state，splitter），五个剪枝参数（max_depth,
min_samples_split，min_samples_leaf，max_feature，min_impurity_decrease）
一个属性：feature_importances_
四个接口：fit，score，apply，predict
random_state用来设置分枝中的随机模式的参数，默认None，在高维度时随机性会表现更明显，低维度的数据（比如鸢尾花数据集），随机性几乎不会显现。输入任意整数，会一直长出同一棵树，让模型稳定下来。
splitter也是用来控制决策树中的随机选项的，有两种输入值，输入”best"，决策树在分枝时虽然随机，但是还是会优先选择更重要的特征进行分枝（重要性可以通过属性feature_importances_查看），输入“random"，决策树在分枝时会更加随机，树会因为含有更多的不必要信息而更深更大，并因这些不必要信息而降低对训练集的拟合。这
也是防止过拟合的一种方式。
在不加限制的情况下，一棵决策树会生长到衡量不纯度的指标最优，或者没有更多的特征可用为止。这样的决策树
往往会过拟合，这就是说，它会在训练集上表现很好，在测试集上却表现糟糕。
剪枝策略对决策树的影响巨大，正确的剪枝策略是优化决策树算法的核心。
1、max_depth限制树的最大深度，超过设定深度的树枝全部剪掉
实际使用时，建议从=3开始尝试，看看拟合的效果再决定是否增加设定深度。
2、min_samples_leafmin_samples_leaf限定，一个节点在分枝后的每个子节点都必须包含至少min_samples_leaf个训练样本，否则分
枝就不会发生，或者，分枝会朝着满足每个子节点都包含min_samples_leaf个样本的方向去发生
这个参数的数量设置得太小会引起过拟合，设置得太大就会阻止模型学习数据**。一般来说，建议从=5开始使用。**
3、min_samples_splitmin_samples_split限定，一个节点必须要包含至少min_samples_split个训练样本，这个节点才允许被分枝，否则分枝就不会发生。
4、max_features & min_impurity_decrease一般max_depth使用，用作树的”精修
max_features限制分枝时考虑的特征个数，超过限制个数的特征都会被舍弃。
max_features是用来限制高维度数据的过拟合的剪枝参数，但其方法比较暴力，是直接限制可以使用的特征数量
而强行使决策树停下的参数，在不知道决策树中的各个特征的重要性的情况下，强行设定这个参数可能会导致模型
学习不足。如果希望通过降维的方式防止过拟合，建议使用PCA，ICA或者特征选择模块中的降维算法。
min_impurity_decrease限制信息增益的大小，信息增益小于设定数值的分枝不会发生。这是在0.19版本中更新的
功能，在0.19版本之前时使用min_impurity_split。
在我们建好的决策树里，我们的模型度量指标就是score。
4、目标权重参数 1、class_weight & min_weight_fraction_leaf完成样本标签平衡的参数。样本不平衡是指在一组数据集中，标签的一类天生占有很大的比例。比如说，在银行要
判断“一个办了信用卡的人是否会违约”，就是是vs否（1%：99%）的比例。这种分类状况下，即便模型什么也不
做，全把结果预测成“否”，正确率也能有99%。因此我们要使用class_weight参数对样本标签进行一定的均衡，给
少量的标签更多的权重，让模型更偏向少数类，向捕获少数类的方向建模。该参数默认None，此模式表示自动给
与数据集中的所有标签相同的权重。
有了权重之后，样本量就不再是单纯地记录数目，而是受输入的权重影响了，因此这时候剪枝，就需要搭配min_
weight_fraction_leaf这个基于权重的剪枝参数来使用。另请注意，基于权重的剪枝参数（例如min_weight_
fraction_leaf）将比不知道样本权重的标准（比如min_samples_leaf）更少偏向主导类。如果样本是加权的，则使
用基于权重的预修剪标准来更容易优化树结构，这确保叶节点至少包含样本权重的总和的一小部分。
属性是在模型训练之后，能够调用查看的模型的各种性质。对决策树来说，最重要的是feature_importances_，能
够查看各个特征对模型的重要性。
# 模型实例化
#不加,random_state=30，每刷新最终预测准确度score会一直变，因为模型一直在变；加上后模型就不变了
clf = tree.DecisionTreeClassifier(criterion="entropy"
,random_state=30 #random_state=可以是任意数
,splitter="random" #准确率变高了，保留，变低了可以注释掉
,max_depth=3 #树的最大深度
# ,min_samples_leaf=10 #分支后这两个子节点都必须有10及以上个样本，否则这两个子节点都被砍掉，（一个够10个，另一个不够，也得都砍掉）
# ,min_samples_split=10 #每个节点必须有10个样本才能往下分，否则不能再分
)
#模型训练
clf = clf.fit(Xtrain, Ytrain)
#返回预测的准确度
score = clf.score(Xtest, Ytest)
score
2、apply和predict
#apply返回每个测试样本所在的叶子节点的索引 clf.apply(Xtest) #predict返回每个测试样本的分类/回归结果 clf.predict(Xtest)3.代码
几乎所有参数，属性及接口都和分类树一模一样。需要注意的是，在回归树种，没有标签分布是否均衡的问题，因此没有class_weight这样的参数。
3.1 重要参数，属性及接口 1、参数：criterion在回归树中，MSE不只是我们的分枝质量衡量指标，也是我们最常用的衡
量回归树回归质量的指标，当我们在使用交叉验证，或者其他方式获取回归树的结果时，我们往往选择均方误差作
为我们的评估（在分类树中这个指标是score代表的预测准确率）。
在回归中，我们追求的是，MSE越小越好。然而，回归树的接口score返回的是R平方，并不是MSE。
虽然均方误差永远为正，但是sklearn当中使用均方误差作为评判标准时，却是计算”负均方误差“（neg_mean_squared_error） 。这是因为sklearn在计算模型评估指标的时候，会考虑指标本身的性质，均
方误差本身是一种误差，所以被sklearn划分为模型的一种损失(loss)，因此在sklearn当中，都以负数表示。真正的
均方误差MSE的数值，其实就是neg_mean_squared_error去掉负号的数字。
from sklearn.datasets import load_boston
from sklearn.model_selection import cross_val_score
from sklearn.tree import DecisionTreeRegressor
boston = load_boston()
regressor = DecisionTreeRegressor(random_state=0) #实例化
#10次交叉验证的结果
cross_val_score(regressor, boston.data, boston.target, cv=10,
scoring = "neg_mean_squared_error") #boston.data 全部数据，不用划分测试集，训练集
#交叉验证cross_val_score的用法
代码
