sklearn中的决策树模型，不仅可以处理分类问题，也可以处理回归问题。
sklearn的tree模块，提供了一个BaseDecisionTree的决策树基类。这个类不能直接使用，派生了DecisionTreeClassifier 、DecisionTreeRegressor 。这两个类分别处理分类和回归问题。
DecisionTreeClassifier 决策树分类器的类定义文档
class DecisionTreeClassifier(ClassifierMixin, BaseDecisionTree):
Parameters
----------
criterion : {"gini", "entropy"}, default="gini"
splitter : {"best", "random"}, default="best"
max_depth : int, default=None
min_samples_split : int or float, default=2
min_samples_leaf : int or float, default=1
min_weight_fraction_leaf : float, default=0.0
max_features : int, float or {"auto", "sqrt", "log2"}, default=None
random_state : int, RandomState instance, default=None
max_leaf_nodes : int, default=None
min_impurity_decrease : float, default=0.0
min_impurity_split : float, default=0
class_weight : dict, list of dict or "balanced", default=None
presort : deprecated, default='deprecated'
ccp_alpha : non-negative float, default=0.0
Attributes
----------
classes_ : ndarray of shape (n_classes,) or list of ndarray
feature_importances_ : ndarray of shape (n_features,)
max_features_ : int
n_classes_ : int or list of int
n_features_ : int
n_outputs_ : int
tree_ : Tree
sklearn的决策树DecisionTreeClassifier的默认初始化参数
DecisionTreeClassifier决策树分类器-参数详解
criterion ：特征选择标准，默认是gini，可以设置为entropy
criterion : {"gini", "entropy"}, default="gini"
The function to measure the quality of a split. Supported criteria are
"gini" for the Gini impurity and "entropy" for the information gain.
在传统的机器学习中，决策树模型的不同实现方式，如ID3，C4.5，CART等，主要的区别在于特征的选择上，计算特征的标准不一样，如信息熵、信息增益、信息增益率、基尼系数等。不同的计算方式，都有相应的适用范围。
splitter:特征划分点选择标准，默认是best，可以设置为random
splitter : {"best", "random"}, default="best"
The strategy used to choose the split at each node. Supported
strategies are "best" to choose the best split and "random" to choose
the best random split.
直接百度翻译 ： 用于在每个节点上选择拆分的策略。支持策略是“最佳”选择最佳分割和“随机”选择最好的随机分割。
一般情况下best足够使用。当数据集的维度过多时，可以使用random，通过随机性来降低过拟合。如果维度少，只有几个特征时，参数可以不用设置，使用默认即可。
维度一般时，可以通过打印决策树模型，来看不同设置上，对树的影响。
best参数是根据算法选择最佳的切分特征，例如gini、entropy。random随机的在部分划分点中找局部最优的划分点。默认的”best”适合样本量不大的时候，而如果样本数据量非常大，此时决策树构建推荐”random”。
剪枝参数：max_depth，max_features，min_samples_split，min_weight_fraction_leaf ，max_leaf_nodes，min_impurity_split
当决策树模型过于庞大时，可以通过剪枝策略，减少树枝的深度，来提高模型的泛化能力，防止过拟合。
具体的参数需要根据数据集特征的具体情况而定。主要方式就是 最大特征数max_features，最大深度max_depth，节点的最小样本数min_samples_split，叶子节点最小的样本权重和min_weight_fraction_leaf，最大叶子节点数max_leaf_nodes，节点划分最小不纯度min_impurity_split
max_depth最大深度：限制决策树的层级。需要结合数据特征维度和复杂度而定。
min_samples_split：内部节点再划分所需最小样本数，可选参数。当设置为整数时，分到最小节点的样本数量低于设置值时，就停止分割。当设置为浮点数时，就是样本低于多少比例时停止分隔。
DecisionTreeClassifier决策树分类器的-属性详解
classes_ ： 类标签，根据实际问题，输出是单值或者列表
feature_importances_ ： 返回特征值的重要性
max_features_ ： 树的最大深度
n_classes_ ： 类别的数量
n_features_ ： fit时选取的特征数量
tree_ : 树的基础结构
