決策樹程式碼(以CART模型為例)

參數介紹：

criterion	”gini” or “entropy”(default=”gini”)選擇以gini (基尼不纯度) 或entropy (信息增益)，來做節點評估，默認為gini。
splitter	‘’best’’ or ’’random’’ (default=’’best’’) 選擇不純度最大的特徵或隨機選擇特徵。
max_depth	(default=None) 樹的深度，大於設定的值就剪枝。
min_samples_leaf	分枝後的葉子節點最少的樣本數。
min_samples_decrease	信息增益大小，小於設定值不會進行分枝(0.19版前為min_samples_split)。
class_weight	給予樣本權重。ex.違約與不違約數據3%與97%，則會使預測偏向不違約，因此要給予權重。預設(None)：給予兩者相同權重。
Min_weight_fraction_leaf	(default=0) 葉子節點所需要的最小權值。
max_leaf_nodes	(default=None)葉子樹的最大樣本數。
max_features	特徵選取最大值。

實作(分析train_data.csv檔案)

下載train.csv檔案(請點我)

預測模型結果