scikit中的max_depth是否等同于剪枝决策树？

Question

我在分析使用决策树创建的分类器。在scikit的决策树中有一个名为最大值_深度的调优参数。这相当于修剪决策树吗？如果没有，我如何使用scikit修剪决策树？

dt_ap = tree.DecisionTreeClassifier(random_state=1, max_depth=13)
boosted_dt = AdaBoostClassifier(dt_ap, random_state=1)
boosted_dt.fit(X_train, Y_train)

Answer 1

这相当于修剪决策树吗？

尽管它们有类似的目标(即对模型施加一些限制，使其不会变得非常复杂和过分合适)，但max_depth并不等同于剪枝。剪枝通常的工作方式是返回到树中，替换那些对叶子节点没有帮助的树枝。

如果没有，我如何使用scikit修剪决策树？

你不能通过scikit-学习(不改变源代码)。

引用自决策树文档：机制，如剪枝(目前不支持)

如果你想修剪一棵树，你必须自己做：

您可以阅读此优秀职位详细说明如何做到这一点。

Answer 2

现在使用新版本0.22.1，您可以！它基于最小成本复杂度剪枝:将选择成本复杂度最大、比ccp_alpha小的子树。

https://scikit-learn.org/stable/auto_例子/树/情节_成本_复杂性_pruning.html