决策树(并发)

参数

• 标准

  选择将根据其选择属性进行分割的标准。对于这些标准中的每一个，拆分值都针对所选标准进行了优化。它可以是以下值之一:

  • information_gain:计算所有属性的熵，选择熵最小的属性进行拆分。这种方法倾向于选择具有大量值的属性。
  • gain_ratio:信息增益的一个变体，它调整每个Attribute的信息增益，以允许Attribute值的宽度和一致性。
  • gini_index:标签特征分布之间不平等的度量。对所选属性进行拆分会导致所得到子集的平均基尼指数降低。
  • accuracy:选择一个属性进行分割，使整棵树的精度最大化。
  • least_square:选择一个属性进行分割，它最小化节点中值的平均值相对于真实值之间的平方距离。
  范围:
• maximal_depth

  树的深度取决于ExampleSet的大小和特征。该参数用于限制决策树的深度。如果它的值被设置为'-1'，则最大深度参数对树的深度不加限制。在这种情况下，树将一直构建，直到满足其他停止条件。如果将其值设置为“1”，则生成具有单个节点的树。

  范围:
• apply_pruning

  决策树模型可以在生成后进行修剪。如果检查，一些树枝会被树叶代替信心参数。

  范围:
• 信心

  此参数指定用于计算剪枝的悲观误差的置信水平。

  范围:
• apply_prepruning

  此参数指定是否有更多的停止条件最大深度应该在生成决策树模型时使用。如果选中，则参数最小增益，最小叶大小，分体最小尺寸和预修剪选项的数目被用作停止标准。

  范围:
• minimal_gain

  节点的增益是在分裂之前计算的。如果该节点的增益大于最小增益，则该节点被分割。更高的值最小增益导致更少的分裂，从而更小的树。过高的值将完全阻止分裂，并生成具有单个节点的树。

  范围:
• minimal_leaf_size

  叶子的大小是其子集中样本的数量。树是这样生成的，每片叶子至少有最小叶大小例数。

  范围:
• minimal_size_for_split

  节点的大小是其子集中示例的数量。只拆分那些大小大于或等于的节点分体最小尺寸参数。

  范围:
• number_of_prepruning_alternatives

  当在某个节点上通过预剪枝来防止分裂时，该参数将调整测试分裂的备选节点的数量。在预修剪与树生成过程并行运行时发生。这可能会防止在某些节点上分裂，当在该节点上分裂不会增加整个树的判别能力时。在这种情况下，尝试其他节点进行分裂。

  范围: