scikit

衡量分割质量的函数。支持的标准是基尼杂质的“基尼”和香农信息增益的“log_loss”和“熵”，请参阅 Mathematical formulation 。

用于在每个节点选择分裂的策略。支持的策略是“最佳”选择最佳分割和“随机”选择最佳随机分割。

树的最大深度。如果没有，则扩展节点，直到所有叶子都是纯的或直到所有叶子包含少于 min_samples_split 样本。

分裂内部节点所需的最小样本数：

版本 0.18 中的更改：添加了分数的浮点值。

叶节点所需的最小样本数。任何深度的分割点只有在左右分支中至少留下 min_samples_leaf 训练样本时才会被考虑。这可能具有平滑模型的效果，尤其是在回归中。

版本 0.18 中的更改：添加了分数的浮点值。

叶节点处所需的（所有输入样本的）权重总和的最小加权分数。当未提供sample_weight时，样本具有相同的权重。

寻找最佳分割时要考虑的特征数量：

自版本 1.1 起已弃用： "auto" 选项在 1.1 中已弃用，并将在 1.3 中删除。

注意：在找到至少一个节点样本的有效分区之前，对分割的搜索不会停止，即使它需要有效检查超过 max_features 的特征。

控制估计器的随机性。即使 splitter 设置为 "best" ，特征在每次分割时始终会随机排列。当 max_features < n_features 时，算法将在每次分割时随机选择 max_features ，然后找到其中的最佳分割。但是，即使 max_features=n_features ，找到的最佳分割也可能因不同的运行而异。如果标准的改进对于多个分割是相同的并且必须随机选择一个分割，则情况就是这样。为了在拟合过程中获得确定性行为， random_state 必须固定为整数。详细信息请参见 Glossary 。

使用 max_leaf_nodes 以最佳优先的方式种植一棵树。最佳节点定义为杂质的相对减少。如果是 None 则叶节点数量不受限制。

如果分裂导致杂质减少大于或等于该值，则节点将被分裂。

加权杂质减少方程如下：

其中 N 是样本总数， N_t 是当前节点的样本数， N_t_L 是左子节点中的样本数， N_t_R 是右子节点中的样本数。

如果 sample_weight 通过， N 、 N_t 、 N_t_R 和 N_t_L 都是指加权和。

0.19 版本中的新增功能。

与 {class_label: weight} 形式的类别关联的权重。如果没有，则所有类别的权重都应该为一。对于多输出问题，可以按照与 y 的列相同的顺序提供字典列表。

请注意，对于多输出（包括多标签），应为其自己的字典中每列的每个类定义权重。例如，对于四类多标签分类权重应为 [{0: 1, 1: 1}, {0: 1, 1: 5}, {0: 1, 1: 1}, {0: 1, 1: 1}] 而不是 [{1:1}、{2:5}、{3:1}、{4:1}]。

“平衡”模式使用 y 值自动调整权重，与输入数据中的类别频率成反比，如 n_samples / (n_classes * np.bincount(y))

对于多输出，y的每一列的权重都会相乘。

请注意，如果指定了sample_weight，这些权重将与sample_weight（通过fit方法传递）相乘。

用于最小成本复杂性修剪的复杂性参数。将选择成本复杂度最大且小于 ccp_alpha 的子树。默认情况下，不执行修剪。有关详细信息，请参阅 Minimal Cost-Complexity Pruning 。

0.22 版本中的新增功能。