DecisionTreeClassifier
提供诸如
min_samples_leaf
和
max_depth
这样的参数，来防止树过拟合。代价复杂度剪枝提供了另一种选择来控制树的大小。在
DecisionTreeClassifier
中，该剪枝技术由代价复杂度参数
ccp_alpha
进行参数化，较大的
ccp_alpha
值会增加剪枝的节点数量。在这里，我们仅显示
ccp_alpha
对规则化树的影响，以及如何根据验证分数(validation scores)来选择
ccp_alpha
。
另请参见最小代价复杂度剪枝，以了解有关剪枝的详细信息。
print(__doc__)
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.datasets import load_breast_cancer
from sklearn.tree import DecisionTreeClassifier
剪枝树叶子的总杂质与有效 alphas 的关系
最小代价复杂度剪枝递归地找到具有“最弱连接”的节点。最弱连接具有有效 alpha，其中具有最小有效 alpha 的节点首先被剪枝。为了了解
ccp_alpha
何值合适，scikit-learn提供了
DecisionTreeClassifier.cost_complexity_pruning_path
，它返回修剪过程中每个步骤的有效 alphas 和相应叶子的总杂质。随着 alpha 增大，更多的 tree 被剪枝，增加了其叶子的总杂质。
X, y = load_breast_cancer(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)
clf = DecisionTreeClassifier(random_state=0)
path = clf.cost_complexity_pruning_path(X_train, y_train)
ccp_alphas, impurities = path.ccp_alphas, path.impurities
在下面的图中，最大有效 alpha 值被删除，因为它是一棵只有一个节点的平凡树(trivial tree)。
fig, ax = plt.subplots()
ax.plot(ccp_alphas[:-1], impurities[:-1], marker='o', drawstyle="steps-post")
ax.set_xlabel("effective alpha")
ax.set_ylabel("total impurity of leaves")
ax.set_title("Total Impurity vs effective alpha for training set")
sphx_glr_plot_cost_complexity_pruning_001
输出：
Text(0.5, 1.0, 'Total Impurity vs effective alpha for training set')
接下来，我们使用有效 alphas 训练一棵决策树。
ccp_alphas
中的最后一个值(
clfs[-1]
)是修剪整棵树的 alpha 值，使树只剩下一个节点。
clfs = []
for ccp_alpha in ccp_alphas:
clf = DecisionTreeClassifier(random_state=0, ccp_alpha=ccp_alpha)
clf.fit(X_train, y_train)
clfs.append(clf)
print("Number of nodes in the last tree is: {} with ccp_alpha: {}".format(
clfs[-1].tree_.node_count, ccp_alphas[-1]))
输出：
Number of nodes in the last tree is: 1 with ccp_alpha: 0.3272984419327777
对于本例的其余部分，我们将删除
clfs
和
ccp_alphas
中的最后一个元素，因为它是一棵只有一个节点的决策树。这里我们显示了节点的数量和树的深度随着 alpha 的增加而减少。
clfs = clfs[:-1]
ccp_alphas = ccp_alphas[:-1]
node_counts = [clf.tree_.node_count for clf in clfs]
depth = [clf.tree_.max_depth for clf in clfs]
fig, ax = plt.subplots(2, 1)
ax[0].plot(ccp_alphas, node_counts, marker='o', drawstyle="steps-post")
ax[0].set_xlabel("alpha")
ax[0].set_ylabel("number of nodes")
ax[0].set_title("Number of nodes vs alpha")
ax[1].plot(ccp_alphas, depth, marker='o', drawstyle="steps-post")
ax[1].set_xlabel("alpha")
ax[1].set_ylabel("depth of tree")
ax[1].set_title("Depth vs alpha")
fig.tight_layout()
sphx_glr_plot_cost_complexity_pruning_002
训练集和测试集的准确度与 alpha
当
ccp_alpha
设置为零并保留
DecisionTreeClassifier
的其他默认参数不变时，树会过拟合，会导致100%的训练准确度和88%的测试准确度。随着 alpha 的增加，更多的 tree 被修剪，从而创建了一个泛化能力更强的决策树。在本例中，设置
ccp_alpha=0.015
可以最大限度地提高测试准确度。
train_scores = [clf.score(X_train, y_train) for clf in clfs]
test_scores = [clf.score(X_test, y_test) for clf in clfs]
fig, ax = plt.subplots()
ax.set_xlabel("alpha")
ax.set_ylabel("accuracy")
ax.set_title("Accuracy vs alpha for training and testing sets")
ax.plot(ccp_alphas, train_scores, marker='o', label="train",
drawstyle="steps-post")
ax.plot(ccp_alphas, test_scores, marker='o', label="test",
drawstyle="steps-post")
ax.legend()
plt.show()
sphx_glr_plot_cost_complexity_pruning_003
下载python源代码:plot_random_multilabel_dataset.py
下载Jupyter notebook源代码:plot_random_multilabel_dataset.ipynb
由Sphinx-Gallery生成的画廊
☆☆☆为方便大家查阅，小编已将scikit-learn学习路线专栏文章统一整理到公众号底部菜单栏，同步更新中，关注公众号，点击左下方“系列文章”，如图：
欢迎大家和我一起沿着scikit-learn文档这条路线，一起巩固机器学习算法基础。(添加微信：mthler，备注：sklearn学习，一起进【sklearn机器学习进步群】开启打怪升级的学习之旅。)