python选择最佳决策树参数

# -*- coding: utf-8 -*-
#导入数据
import pandas as pd
data = pd.read_csv(r'E:\Python\machine learning\own\decision_tree\test.csv')
X = data.ix[:,0:4].values
y = data.ix[:,4].values

#设置待选的参数        
from sklearn.tree import DecisionTreeClassifier
from sklearn.grid_search import GridSearchCV
from sklearn.model_selection import StratifiedKFold
decision_tree_classifier = DecisionTreeClassifier()
parameter_grid = {'max_depth':[1,2,3,4,5],
                  'max_features':[1,2,3,4]}
cross_validation = StratifiedKFold(y,n_folds=10)

#将不同参数带入
gridsearch = GridSearchCV(decision_tree_classifier,
                          param_grid = parameter_grid,
                          cv = cross_validation)
gridsearch.fit(X,y)

#得分最高的参数值，并构建最佳的决策树
best_param = gridsearch.best_params_
best_decision_tree_classifier = DecisionTreeClassifier(max_depth=best_param['max_depth'],
                                                       max_features=best_param['max_features'])

  DecisionTreeClassfier的参数有
  1.criterion  gini  or  entropy
  2.splitter  best or random 前者是在所有特征中找最好的切分点 后者是在部分特征中（数据量大的时候）
  3.max_features  默认是None（所有），log2，sqrt，N  特征小于50的时候一般使用所有的
  #N就是特征属性的个数
  4.max_depth  数据少或者特征少的时候可以不管这个值，如果模型样本量多，特征也多的情况下，可以尝试限制下
  #防止过拟合
  5.min_samples_split  如果某节点的样本数少于min_samples_split，则不会继续再尝试选择最优特征来进行划分。
                       如果样本量不大，不需要管这个值。如果样本量数量级非常大，则推荐增大这个值。
  6.min_samples_leaf  这个值限制了叶子节点最少的样本数，如果某叶子节点数目小于样本数，则会和兄弟节点一起被
                      剪枝，如果样本量不大，不需要管这个值，大些如10W可是尝试下5
  7.min_weight_fraction_leaf 这个值限制了叶子节点所有样本权重和的最小值，如果小于这个值，则会和兄弟节点一起
                          被剪枝默认是0，就是不考虑权重问题。一般来说，如果我们有较多样本有缺失值，
                          或者分类树样本的分布类别偏差很大，就会引入样本权重，这时我们就要注意这个值了。
  8.max_leaf_nodes 通过限制最大叶子节点数，可以防止过拟合，默认是"None”，即不限制最大的叶子节点数。
                   如果加了限制，算法会建立在最大叶子节点数内最优的决策树。
                   如果特征不多，可以不考虑这个值，但是如果特征分成多的话，可以加以限制
                   具体的值可以通过交叉验证得到。
  9.class_weight 指定样本各类别的的权重，主要是为了防止训练集某些类别的样本过多
                 导致训练的决策树过于偏向这些类别。这里可以自己指定各个样本的权重
                 如果使用“balanced”，则算法会自己计算权重，样本量少的类别所对应的样本权重会高。
  10.min_impurity_split 这个值限制了决策树的增长，如果某节点的不纯度
                       (基尼系数，信息增益，均方差，绝对差)小于这个阈值
                       则该节点不再生成子节点。即为叶子节点 。

注：学习的网易云课堂的Python数据分析(机器学习)经典案例，每个案例会教你数据预处理、画图和模型优化。比有些简单调个包跑一下的课程负责任的多。