`sklearn.tree`.DecisionTreeClassifier¶

class sklearn.tree.DecisionTreeClassifier¶

Un clasificador de árbol de decisiones.

Parámetros

criterion{«gini», «entropy»}, default=»gini»

La función de medir la calidad de una división, los criterios soportados son «gini» para la impureza de Gini y «entropy» para la ganancia de información.

splitter{«best», «random»}, default=»best»

La estrategia utilizada para elegir la división en cada nodo. Las estrategias apoyadas son «best» para elegir la mejor división y «random» para elegir la mejor división aleatoria.

max_depthentero, default=None

La profundidad máxima del árbol. Si None, entonces los nodos se expanden hasta que todas las hojas sean puras o hasta que todas contengan menos que min_samples_split muestras.

min_samples_splitentero o flotante, default=2

El número mínimo de muestras requeridas para dividir un nodo interno:

Si es entero, entonces considera min_samples_split como el número mínimo.
Si float, entonces min_samples_split es una fracción y ceil(min_samples_split * n_samples) son el número mínimo de muestras para cada división.

Distinto en la versión 0.18: Se añadieron valores flotantes para las fracciones.

min_samples_leafentero o punto flotante, default=1

El número mínimo de muestras requeridas para estar en un nodo de hoja. Un punto dividido a cualquier profundidad sólo se considerará si deja al menos min_samples_leaf muestras de entrenamiento en cada una de las ramas izquierda y derecha. Esto puede tener el efecto de suavizar el modelo, especialmente en regresión.

Si es entero, entonces considera min_samples_split como el número mínimo.
Si es flotante, entonces min_samples_leaf es una fracción y ceil(min_samples_leaf * n_samples) son el número mínimo de muestras para cada nodo.

Distinto en la versión 0.18: Se añadieron valores flotantes para las fracciones.

min_weight_fraction_leafflotante, default=0.0

La fracción mínima ponderada de la suma total de las ponderaciones (de todas las muestras de entrada) requeridas para estar en un nodo de hoja. Las muestras tienen la misma ponderación cuando no se proporciona sample_weight.

max_featuresint, float or {«auto», «sqrt», «log2»}, default=None

El número de características a tener en cuenta cuando se busca la mejor división:

Si es int, entonces considera las características max_features en cada división.

Si es float, entonces max_features es una fracción y las características int(max_features * n_features) son consideradas en cada división.

Si es «auto», entonces max_features=sqrt(n_features).

Si es «sqrt», entonces max_features=sqrt(n_features).

Si es «log2», entonces max_features=log2(n_features).

Si es None, entonces max_features=n_features.

Nota: la búsqueda de una división no se detiene hasta que se encuentre al menos una partición válida de las muestras de nodos, incluso si requiere inspeccionar eficazmente más de las características de max_features.

random_stateentero, instancia de RandomState o None, por defecto=None

Controla la aleatoriedad del estimador. Las características siempre son aleatoriamente permutadas en cada división, incluso si splitter es establecido a "best". Cuando max_features < n_features, el algoritmo seleccionará max_features aleatoriamente en cada división antes de encontrar la mejor división entre ellos. Pero la mejor división encontrada podría variar a lo largo de diferentes ejecuciones, incluso sí max_features=n_features. Ese es el caso, si la mejoría del criterio es idéntica para numerosas divisiones y una división tiene que ser seleccionada aleatoriamente. Para obtener un comportamiento determinístico durante el ajuste, random_state debe ser fijado a un entero. Ver el Glosario para más detalles.

max_leaf_nodesentero, default=None

Hace crecer un árbol con max_leaf_nodes en modo best-first. Los mejores nodos se definen como una reducción relativa de la impureza. Si es None, el número de nodos hoja es ilimitado.

min_impurity_decreaseflotante, default=0.0

Un nodo se dividirá si esta división induce una disminución de la impureza mayor o igual a este valor.

La ecuación de disminución de impureza ponderada es la siguiente:

N_t / N * (impurity - N_t_R / N_t * right_impurity
                    - N_t_L / N_t * left_impurity)

donde N es el número total de muestras, N_t es el número de muestras en el nodo actual, N_t_L es el número de muestras en el hijo izquierdo, y N_t_R es el número de muestras en el hijo derecho.

N, N_t, N_t_R y N_t_L se refieren a la suma ponderada, si sample_weight es pasada.

Nuevo en la versión 0.19.

min_impurity_splitfloat, default=0

El umbral para la parada anticipada en el crecimiento de árboles. Un nodo se dividirá si su impureza está por encima del umbral, de lo contrario será una hoja.

Obsoleto desde la versión 0.19: min_impurity_split ha sido obviado en favor de min_impurity_decrease en 0.19. El valor predeterminado de min_impurity_split ha cambiado de 1e-7 a 0 en 0.23 y se eliminará en 1.0 (renombrado de 0.25). Use min_impurity_decrease en su lugar.

class_weightdict, list of dict o «balanced», default=None

Ponderaciones asociadas a las clases de la forma {class_label: weight}. Si es None, se supone que todas las clases tienen ponderación uno. Para los problemas de salida múltiple, se puede proporcionar una lista de dicts en el mismo orden que las columnas de y.

Ten en cuenta que para la salida múltiple (incluyendo la multietiqueta) las ponderaciones deben ser definidas para cada clase de cada columna en su propio diccionario. Por ejemplo, para la clasificación multietiqueta de cuatro clases las ponderaciones deben ser [{0: 1, 1: 1}, {0: 1, 1: 5}, {0: 1, 1: 1}, {0: 1, 1: 1}] en lugar de [{1:1}, {2:5}, {3:1}, {4:1}].

El modo «balanced» utiliza los valores de y para ajustar automáticamente las ponderaciones inversamente proporcionales a las frecuencias de clase en los datos de entrada como n_samples / (n_classes * np.bincount(y))

Para multisalida, las ponderaciones de cada columna de y se multiplicarán.

Ten en cuenta que estas ponderaciones serán multiplicadas con sample_weight (pasadas por el método de ajuste) si se especifica sample_weight.

ccp_alphafloat no negativo, default=0.0

Parámetro de complejidad utilizado para la Poda de Mínima Complejidad de Costo. El subárbol con la complejidad de costo mayor que sea menor que ccp_alpha será elegido. Por defecto, no se realiza ninguna poda. Ver Poda de Coste-Complejidad Mínima para más detalles.

Nuevo en la versión 0.22.

Atributos

classes_ndarray de forma (n_classes,) o lista de ndarray: Las etiquetas de clases (problema de salida única), o una lista de arreglos de etiquetas de clase (problema de multi-salida).
feature_importances_ndarray de forma (n_features,): Devuelve la importancia de las características.
max_features_entero: El valor inferido de max_features.
n_classes_int o lista de int: El número de clases (para problemas de salida única), o una lista que contiene el número de clases para cada salida (para problemas de salida múltiple).
n_features_entero: El número de características cuando fit es realizado.
n_outputs_entero: El número de salidas cuando se realiza fit.
tree_Instancia del árbol: El objeto Tree subyacente. Por favor, consulte help(sklearn.tree._tree.Tree) para obtener los atributos del objeto Tree y Comprensión de la estructura del árbol de decisiones para el uso básico de estos atributos.

Ver también

DecisionTreeRegressor: Un regresor de árbol de decisión.

Notas

Los valores predeterminados de los parámetros que controlan el tamaño de los árboles (por ejemplo, `max_depth, min_samples_leaf, etc.) conducen a árboles completamente desarrollados y sin podar que pueden ser potencialmente muy grandes en algunos conjuntos de datos. Para reducir el consumo de memoria, la complejidad y el tamaño de los árboles deben controlarse estableciendo los valores de esos parámetros.

El método predict opera usando la función numpy.argmax en las salidas de predict_proba. Esto significa que en caso de que las mayores probabilidades predichas estén atadas, el clasificador predirá la clase vinculada con el índice más bajo en classes_.

Referencias

1: https://en.wikipedia.org/wiki/Decision_tree_learning
2: L. Breiman, J. Friedman, R. Olshen, and C. Stone, «Classification and Regression Trees», Wadsworth, Belmont, CA, 1984.
3: T. Hastie, R. Tibshirani and J. Friedman. «Elements of Statistical Learning», Springer, 2009.
4: L. Breiman, and A. Cutler, «Random Forests», https://www.stat.berkeley.edu/~breiman/RandomForests/cc_home.htm

Ejemplos

>>> from sklearn.datasets import load_iris
>>> from sklearn.model_selection import cross_val_score
>>> from sklearn.tree import DecisionTreeClassifier
>>> clf = DecisionTreeClassifier(random_state=0)
>>> iris = load_iris()
>>> cross_val_score(clf, iris.data, iris.target, cv=10)
...                             
...
array([ 1.     ,  0.93...,  0.86...,  0.93...,  0.93...,
        0.93...,  0.93...,  1.     ,  0.93...,  1.      ])

Métodos

`apply`	Devuelve el índice de la hoja en la que se predice cada muestra.
`cost_complexity_pruning_path`	Calcula la ruta de poda durante la Poda de Mínima Complejidad de costes.
`decision_path`	Devuelve la ruta de decisión en el árbol.
`fit`	Construye un clasificador de árbol de decisión a partir del conjunto de entrenamiento (X, y).
`get_depth`	Devuelve la profundidad del árbol de decisión.
`get_n_leaves`	Devuelve el número de hojas del árbol de decisión.
`get_params`	Obtiene los parámetros para este estimador.
`predict`	Predice la clase de regresión para X.
`predict_log_proba`	Predice las log-probabilidades de clase de las muestras de entrada X.
`predict_proba`	Predice las probabilidades de clase de las muestras de entrada X.
`score`	Devuelve la precisión media en los datos y etiquetas de prueba dados.
`set_params`	Establece los parámetros de este estimador.

apply()¶

Devuelve el índice de la hoja en la que se predice cada muestra.

Nuevo en la versión 0.17.

Parámetros

X{array-like, sparse matrix} de forma (n_samples, n_features): Las muestras de entrada. Internamente, se convertirá a dtype=np.float32 y si se proporciona una matriz dispersa se convertirá a una dispersa csr_matrix.
check_inputbooleano, default=True: Permite omitir varias comprobaciones de entrada. No uses este parámetro a menos que sepas lo que haces.

Devuelve

X_leavesarray-like de forma (n_samples,): Para cada punto de datos x en X, devuelve el índice de la hoja en la que termina x. Las hojas se numeran dentro de [0; self.tree_.node_count), posiblemente con huecos en la numeración.

cost_complexity_pruning_path()¶

Calcula la ruta de poda durante la Poda de Mínima Complejidad de costes.

Ver Poda de Coste-Complejidad Mínima for details on the pruning process.

Parámetros

X{array-like, sparse matrix} de forma (n_samples, n_features): Las muestras de entrada de entrenamiento. Internamente, se convertirán a dtype=np.float32 y si se proporciona una matriz dispersa a una csc_matrix dispersa.
yarray-like de forma (n_samples,) o (n_samples, n_outputs): Los valores destino (etiquetas de clase) como enteros o cadenas.
sample_weightarray-like de forma (n_samples,) default=None: Ponderación de las muestras. Si es None, las muestras se ponderan por igual. Las divisiones que crearían nodos hijos con peso neto cero o negativo se ignoran al buscar una división en cada nodo. Las divisiones también se ignoran si dan lugar a que una sola clase tenga un peso negativo en cualquiera de los nodos hijos.

Devuelve

ccp_pathBunch

Objeto tipo diccionario, con los siguientes atributos.

ccp_alphasndarray: Alfas efectivos del subárbol durante la poda.
impurezasndarray: Suma de las impurezas de las hojas del subárbol para el valor alfa correspondiente en ccp_alphas.

decision_path()¶

Devuelve la ruta de decisión en el árbol.

Nuevo en la versión 0.18.

Parámetros

X{array-like, sparse matrix} de forma (n_samples, n_features): Las muestras de entrada. Internamente, se convertirá a dtype=np.float32 y si se proporciona una matriz dispersa se convertirá a una dispersa csr_matrix.
check_inputbooleano, default=True: Permite omitir varias comprobaciones de entrada. No uses este parámetro a menos que sepas lo que haces.

Devuelve

indicatormatriz dispersa de forma (n_samples, n_nodes): Devuelve una matriz CSR indicadora de nodos donde los elementos distintos de cero indican que las muestras pasan por los nodos.

property feature_importances_¶

Devuelve la importancia de las características.

La importancia de una característica se calcula como la reducción total (normalizada) del criterio traído por esa función. También se le conoce como la importancia de Gini.

Advertencia: las importancias de características basadas en la impureza pueden ser no representativas para las características de alta cardinalidad (muchos valores únicos). Ver sklearn.inspection.permutation_importance como una alternativa.

Devuelve

feature_importances_ndarray de forma (n_features,): Reducción total normalizada del criterio por función (importancia Gini).

fit()¶

Construye un clasificador de árbol de decisión a partir del conjunto de entrenamiento (X, y).

Parámetros

X{array-like, sparse matrix} de forma (n_samples, n_features): Las muestras de entrada de entrenamiento. Internamente, se convertirán a dtype=np.float32 y si se proporciona una matriz dispersa a una csc_matrix dispersa.
yarray-like de forma (n_samples,) o (n_samples, n_outputs): Los valores destino (etiquetas de clase) como enteros o cadenas.
sample_weightarray-like de forma (n_samples,) default=None: Ponderación de las muestras. Si es None, las muestras se ponderan por igual. Las divisiones que crearían nodos hijos con peso neto cero o negativo se ignoran al buscar una división en cada nodo. Las divisiones también se ignoran si dan lugar a que una sola clase tenga un peso negativo en cualquiera de los nodos hijos.
check_inputbooleano, default=True: Permite omitir varias comprobaciones de entrada. No uses este parámetro a menos que sepas lo que haces.
X_idx_sortedobsoleto, default=»deprecated»: Este atributo está obsoleto y no tiene ningún efecto. Se eliminará en 1.1 (cambio de nombre de 0.26).

Obsoleto desde la versión 0.24.

Devuelve

selfDecisionTreeClassifier: Estimador ajustado.

get_depth()¶

Devuelve la profundidad del árbol de decisión.

La profundidad de un árbol es la distancia máxima entre la raíz y cualquier hoja.

Devuelve

self.tree_.max_depthentero: La profundidad máxima del árbol.

get_n_leaves()¶

Devuelve el número de hojas del árbol de decisión.

Devuelve

self.tree_.n_leavesentero: Número de hojas.

get_params()¶

Obtiene los parámetros para este estimador.

Parámetros

deepbooleano, default=True: Si es True, devolverá los parámetros para este estimador y los sub objetos contenidos que son estimadores.

Devuelve

paramsdict: Nombres de parámetros mapeados a sus valores.

predict()¶

Predice la clase de regresión para X.

Para un modelo de clasificación, se devuelve la clase predicha para cada muestra en X. Para un modelo de regresión, se devuelve el valor predicho basado en X.

Parámetros

X{array-like, sparse matrix} de forma (n_samples, n_features): Las muestras de entrada. Internamente, se convertirá a dtype=np.float32 y si se proporciona una matriz dispersa se convertirá a una dispersa csr_matrix.
check_inputbooleano, default=True: Permite omitir varias comprobaciones de entrada. No uses este parámetro a menos que sepas lo que haces.

Devuelve

yarray-like de forma (n_samples,) o (n_samples, n_outputs): Las clases predichas, o los valores predichos.

predict_log_proba()¶

Predice las log-probabilidades de clase de las muestras de entrada X.

Parámetros

X{array-like, sparse matrix} de forma (n_samples, n_features): Las muestras de entrada. Internamente, se convertirá a dtype=np.float32 y si se proporciona una matriz dispersa se convertirá a una dispersa csr_matrix.

Devuelve

probandarray de forma (n_samples, n_classes), o una lista de n_outputs tales arreglos sí n_outputs > 1: Las log-probabilidades de clase de las muestras de entrada. El orden de las clases corresponde a aquel en el atributo classes_.

predict_proba()¶

Predice las probabilidades de clase de las muestras de entrada X.

La probabilidad predicha de clase es la fracción de muestras de la misma clase en una hoja.

Parámetros

X{array-like, sparse matrix} de forma (n_samples, n_features): Las muestras de entrada. Internamente, se convertirá a dtype=np.float32 y si se proporciona una matriz dispersa se convertirá a una dispersa csr_matrix.
check_inputbooleano, default=True: Permite omitir varias comprobaciones de entrada. No uses este parámetro a menos que sepas lo que haces.

Devuelve

probandarray de forma (n_samples, n_classes), o una lista de n_outputs tales arreglos sí n_outputs > 1: Las probabilidades de clase de las muestras de entrada. El orden de las clases corresponde a aquel en el atributo classes_.

score()¶

Devuelve la precisión media en los datos y etiquetas de prueba dados.

En la clasificación multietiqueta, se trata de la precisión del subconjunto, que es una métrica rigurosa, ya que se requiere para cada muestra que cada conjunto de etiquetas sea predicho correctamente.

Parámetros

Xarray-like de forma (n_samples_X, n_features): Muestras de prueba.
yarray-like de forma (n_samples,) o (n_samples, n_outputs): Etiquetas True para X.
sample_weightarray-like de forma (n_samples,) default=None: Ponderaciones de la muestra.

Devuelve

scorede punto flotante (float): Precisión media de self.predict(X) con respecto a y.

set_params()¶

Establece los parámetros de este estimador.

El método funciona tanto con estimadores simples como en objetos anidados (como Pipeline). Estos últimos tienen parámetros de la forma <component>__<parameter> para que sea posible actualizar cada componente de un objeto anidado.

Parámetros

**paramsdict: Parámetros del estimador.

Devuelve

selfinstancia del estimador: Instancia de estimador.

Ejemplos usando `sklearn.tree.DecisionTreeClassifier`¶

sklearn.tree.DecisionTreeClassifier¶

Ejemplos usando sklearn.tree.DecisionTreeClassifier¶

`sklearn.tree`.DecisionTreeClassifier¶

Ejemplos usando `sklearn.tree.DecisionTreeClassifier`¶