如何修正Scikit学习中决策树算法中的分裂准则(gini/熵)？

Question

我用决策树算法处理一个二元分类问题，目标是最小化分类的假阳性(最大化positive predicted value) (诊断工具的成本很高)。

是否有办法在基尼/熵分裂标准中引入weight来惩罚错误的阳性分类？

例如，修改后的基尼指数( 这里 )如下：

​

​

因此，我想知道是否有任何方法来实现它在Scikit-学习？

编辑

与class_weight玩会产生以下结果：

from sklearn import datasets as dts
iris_data = dts.load_iris()

X, y = iris_data.features, iris_data.targets
# take only classes 1 and 2 due to less separability
X = X[y>0]
y = y[y>0]
y = y - 1 # make binary labels

# define the decision tree classifier with only two levels at most and no class balance
dt = tree.DecisionTreeClassifier(max_depth=2, class_weight=None)

# fit the model, no train/test for simplicity
dt.fit(X[:55,:2], y[:55])

绘制决策边界，树蓝为正(1)

​

​

虽然超过了少数群体(或更宝贵的)：

dt_100 = tree.DecisionTreeClassifier(max_depth=2，class_weight={1:100})

​

​

Answer 1

决策树分类器支持class_weight参数。

在两个类问题中，这完全可以解决您的问题。通常，这是用于不平衡的问题。对于两个以上的类，不可能提供单独的标签(据我所知)