顺口溜：
两种决策树，8参数，1属性，4接口。
8个参数：criterion；random_state/splitter；max_depth；min_samples_leaf；min_samples_split；max_feature；min_impurity_decrease。
1个属性：feature_importances_
4接口：fit，score，apply，predict
sklearn简介
sklearn几乎涵盖了所有主流的机器学习语言包，它的三个好cp是：numpy，scipy，matplotlib。
分为六大模块：分类，回归，聚类，降维，模型选择以及数据预处理。
这里算法原理不赘述，若想要深挖数学原理，请参照《数据挖掘导论》和瓜书。
决策树简介：
是一种非参数的有监督学习方法，用简单的树状图解决回归和分类问题，Adaboost，随机森林在各大公司处理实际问题中都有使用。
决策树解决两个最重要的问题：
1）如何从数据表中找出最佳节点和最佳分支
2）如何让决策树停止生长 ，防止过拟合
sklearn中的决策树类：
回归树和分类树
sklearn的基本建模流程：
so easy！建模过程三步走
1.实例化
clf = tree.DecisionTreeClassifier()
2.训练模型
clf = clf.fit(xtrain,ytrain)%对模型喂数据
3.模型评估，得到测试集上的得分
score = clf.score(xtest,ytest)
重要参数
1.criterion =['entropy','gini']
信息系数以及gini系数的严格定义参照瓜书和《统计学习方法》。
2.random_state
用来设置分枝中的随机模式的参数，默认None
- splitter
是用来控制决策树中的随机选项的，有两种输入值。输入”best"：分枝是随机的，但是还是选择更重要的特征进行分枝。输入“random”：决策树在分枝时更加随机，是防止过拟合的一种方法。
random_state和splitter可以帮助我们降低树模型建立之后过拟合的可能性。树模型一旦建立，依然使用剪枝参数防止过拟合。
剪枝参数
max_depth:
限制树的最大深度，超过设定的深度的树枝全部剪掉。实际应用中，建议从3开始，看看你和效果再决定是否增加深度。
min_samples_leaf，min_samples_split
这两个参数搭配max_depth食用更佳哦~
min_samples_leaf:一个节点在分枝后的每个子节点都必须包含至少min_samples_leaf个训练样本，否则分枝就不会发生。
min_samples_split:一个节点必须要包含至少min_samples_split个训练样本，这个节点才允许被分枝。
max_features ， min_impurity_decrease
max_features限制分枝时考虑的特征个数；min_impurity_decrease限制信息增益的大小。
重要属性以及接口
所有接口中要求输入xtrain,xtest部分，输入的矩阵必须至少是一个二维矩阵。sklearn不接受任何一维矩阵作为特征矩阵被输入。如果数据只有一个特征，必须使用reshape(-1,1)给矩阵增维；如果数据只有一个特征和一个样本，使用reshape(1,-1)给矩阵增维。
clf.apply(xtest)
clf.predict(xtest)
上述两行代码分别返回每个测试样本所在的叶子节点的索引，每个测试样本的分类or回归结果
