大数据-202 sklearn 决策树实战：criterion、Graphviz 可视化与剪枝防过拟合

TL;DR

• 场景：用 sklearn 在 Wine 数据集上训练 DecisionTreeClassifier，并用 Graphviz 导出可视化
• 结论：criterion 影响分裂度量（gini/entropy/log_loss），random_state 与 splitter 决定稳定性与随机性；剪枝靠 max_depth/min_samples_leaf/ccp_alpha
• 产出：可复现实验流程 + export_graphviz 参数要点 + 环境版本矩阵 + 常见报错定位表

版本矩阵

组件	已验证说明
scikit-learn 1.8.0	PyPI 声明2025-12-10 发布；Requires: Python>=3.11；DecisionTreeClassifier 的 criterion 支持 gini/entropy/log_loss DecisionTreeClassifier API官方文档；splitter 支持 best/random；criterion 见上 export_graphviz官方文档 导出 DOT；配合 dot 命令可生成 PNG/SVG 等
python-graphviz 0.21	PyPI 声明Requires: Python>=3.9；渲染仍依赖系统 Graphviz（dot）与 PATH
系统 Graphviz（dot）	官方站点需单独安装（Windows/macOS/Linux 方式不同）

使用sklearn实现决策树

参数CRITERION

criterion 这个参数使用来决定不纯度的计算方法，sklearn提供了两种选择：

• 输入 entropy，使用信息熵（Entropy）
• 输入 gini，使用基尼系数（Gini Impurity）

在机器学习中，基尼系数和信息熵都是常用的不纯度度量指标，用于决策树等算法的特征选择和节点划分。两者虽然计算方式和敏感性不同，但在实际应用中往往能达到相似的效果。

信息熵的计算公式为：H(X)=-Σp(x)log₂p(x)，其中p(x)是某个类别的概率。由于涉及对数运算，其计算复杂度比基尼系数要高。相比之下，基尼系数的计算公式Gini=1-Σp(x)²更加简单直接，不需要对数运算，因此计算速度更快。

具体来说，信息熵对数据不纯度的惩罚更强。例如：

• 当某个节点中两个类别的样本比例为7:3时：
  • 基尼系数=1-(0.7²+0.3²)=0.42
  • 信息熵=-(0.7log₂0.7+0.3log₂0.3)≈0.88
• 当比例变为8:2时：
  • 基尼系数=0.32
  • 信息熵≈0.72

这种敏感性差异导致：

1. 在高维数据场景下（如特征数超过1000），信息熵容易产生过拟合，因为它会倾向于选择更细粒度的划分方式。此时基尼系数表现更稳健。
2. 在噪声数据较多时（如标签错误率超过10%），基尼系数的抗干扰能力更强。
3. 当模型欠拟合时（训练集和测试集准确率都低于60%），使用信息熵可能获得更好的效果，因为它能驱动模型学习更精细的决策边界。

实际应用建议：

• 对于结构化数据（如表格数据），可以优先尝试基尼系数
• 在计算资源受限的实时系统中，基尼系数是更好的选择
• 当数据质量较高且维度适中时（如UCI数据集），可以比较两种指标的效果
• 在集成学习中（如随机森林），两种指标的差异通常会被弱化

需要注意的是，这些规律并非绝对。在实践中，最好的方式是通过交叉验证来比较两种指标在特定数据集上的表现。

初步建模

# 导入需要的算法库和模块
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
from sklearn import tree
from sklearn.datasets import load_wine
from sklearn.model_selection import train_test_split
plt.rcParams['font.sans-serif']=['Simhei']
plt.rcParams['axes.unicode_minus']=False

加载数据

wine = load_wine()
wine.data.shape
wine.target

执行结果如下所示： 如果是 wine 是一张表，应该长这样：

wine_pd=pd.concat([pd.DataFrame(wine.data),pd.DataFrame(wine.target)],axis=1).head()
wine.feature_names.append("result")
wine_pd.columns=wine.feature_names
wine_pd

执行结果如下图所示： 编写代码查看形状：

Xtrain, Xtest, Ytrain, ytest = train_test_split(wine.data,wine.target,test_size=0.3,random_state=420)
print(Xtrain.shape)
print(Xtest.shape)

执行结果如下所示：

建立模型

clf = tree.DecisionTreeClassifier(criterion="gini")
clf = clf.fit(Xtrain, Ytrain)
clf.score(Xtest, ytest) #返回预测的准确度

执行结果如下图所示：

画决策树

我们可以利用 Graphviz 模块导出决策树模型，第一次使用 Graphviz 之前需要进行安装，若是使用从 pip 安装：

!pip install graphviz

执行结果如下所示： 对图案进行绘制：

import matplotlib.pyplot as plt
import graphviz
from sklearn import tree


feature_name = ['酒精','苹果酸','灰','灰的碱性','镁','总酚','类黄酮','非黄烷类酚类','花青素','颜色强度','色调','od280/od315 稀释葡萄酒','脯氨酸']
dot_data = tree.export_graphviz(clf, out_file = None, feature_names= feature_name, class_names=["琴酒","雪莉","贝尔摩德"], filled=True, rounded=True)
graph = graphviz.Source(dot_data)
graph

执行结果如下图所示： 绘制的图片如下所示：

export_graphviz 生成了一个 DOT 格式的决策树：

• feature_names：每个属性的名字
• class_names：每个因变量类别的名字
• label：是否显示不纯度信息的标签，默认为 all 表都显示，可以是root或 none
• filled：是否给每个节点的主分类绘制不同的颜色，默认为 False
• out_file：输出的 dot 文件的名字，默认为 None表示不输出文件，可以是自定义名字如"tree.dot"
• rounded：默认为 True，表示对每个节点的边框加圆角，使用 Helvetica 字体

防止过拟合

在不加限制的情况下，一颗决策树会持续生长直到满足以下任一条件：

1. 所有叶节点的基尼系数（Gini impurity）或信息熵（information entropy）等不纯度指标达到最优（通常为0）
2. 没有更多的特征可用于进一步分割数据
3. 每个叶节点仅包含单一类别的样本

这种不加限制的生长方式往往会导致严重的过拟合问题。具体表现为：

• 在训练集上可能达到100%的准确率
• 但在测试集上表现显著下降（如准确率骤降20-30个百分点）

造成这种现象的根本原因在于：

1. 样本偏差问题：我们收集的训练数据不可能完全代表整体数据分布，总会存在抽样偏差
2. 噪声敏感问题：当决策树过度生长时：
   • 会捕捉到训练数据中的随机噪声（如5%的错误标注样本）
   • 为这些噪声创建特定的分裂规则（例如"当特征X=3.14159时预测类别A"）
   • 导致模型泛化能力下降

典型示例： 在房价预测任务中，一棵过拟合的决策树可能会：

• 为训练集中某个异常低价样本（如输入错误的$1元房价）创建特殊分支
• 在实际预测时，遇到类似特征组合的房屋就会错误预测极低价格

解决方法通常包括：

1. 预剪枝（Pre-pruning）：
   • 设置最大深度（如max_depth=5）
   • 设置叶节点最小样本数（如min_samples_leaf=10）
2. 后剪枝（Post-pruning）：
   • 使用代价复杂度剪枝（CCP）
   • 基于验证集性能进行剪枝
3. 集成方法：
   • 随机森林（通过多棵树投票降低过拟合风险）
   • 梯度提升树（通过迭代优化减少单棵树的影响）

#我们的树对训练集的拟合程度如何?
score_train = clf.score(Xtrain, Ytrain)
score_train

执行结果如下图所示： 为了让决策树有更好的泛化性，我们要对决策树进行剪枝。剪枝策略对决策树的影响巨大，正确的剪枝策略是优化决策树算法的核心。

random_state

如果我们改动了 random_state，画出来的每一颗树都不一样，它为什么不稳定呢？如果使用其他数据集，它还会不稳定吗？ 我们之前提过，无论决策树模型如何进化，在分支上的本质都还是追求某个不纯度相关的指标的优化，而正如我们提到的，不纯度是基于节点计算出来的，也就是说，决策树在建树时，是靠优化节点来追求一棵优化的树，但是最优的节点是能够保证最优的树吗？

集成算法被用来解决这个问题：sklearn 表示，既然一棵树不能保证最优，那就建更多不同的树，然后从中取最好的。怎么样从一组数据集中建不同的树呢？在每次分支的时候，不使用全部特征，而是随机选取一部分特征，从中选取不纯度相关指标最优的作为分支用的节点。 这样，每次生成的树叶不同了。

random_state 用来设置分支中的随机模型的参数，默认是 None，在高维度时随机性会表现更明显，低维度的数据随机性几乎不会显现。输入任意整数，会一直长出同一棵树，让模型稳定下来。

splitter

splitter 也是用来控制决策树中随机选项的，有两种输入值：

• 输入 best，决策树在分支时虽然随机，但是还是会优先选择更重要的特征进行分支（重要性可以通过属性 feature_importance 查看）
• 输入 random，决策树在分支时会更加随机，树会因为含有更多的不必要的信息而更深更大，并因为这些不必要信息而降低对训练集的拟合。这也是一种防止过拟合的方式。

当你预测到你的模型会过拟合，用这两个参数来帮助你降低树建成之后的过拟合的可能性，当然，树一旦建成，我们依然是使用剪枝参数来防止拟合的。

clf = tree.DecisionTreeClassifier(criterion="entropy",random_state=30,splitter="random")
clf = clf.fit(Xtrain, Ytrain)
score = clf.score(Xtest, ytest)
print(score)
plt.rcParams['font.sans-serif']=['Simhei']
plt.rcParams['axes.unicode_minus']=False

代码的执行结果如下所示：

版本矩阵

症状	根因定位	修复
ModuleNotFoundError: No module named 'graphviz'	未安装 python-graphviz 包	python -c "import graphviz" pip install graphviz
ExecutableNotFound: failed to execute 'dot' / 渲染为空	只装了 python 包，未装系统 Graphviz 或 PATH 未配	dot -V 是否可用 安装系统 Graphviz，并把 dot 所在目录加入 PATH
ValueError: Length of feature_names ...	feature_names 数量与 X 特征列不一致	对比 Xtrain.shape1 与 len(feature_name) 统一特征数；Wine 为 13 维时 feature_names 也应为 13
图里类别名/计数顺序不对	class_names 顺序与内部类别编码不一致	查看 tree 图首节点 value=... 顺序 class_names 按类别编码升序传入（如 0/1/2 对应的名称顺序）
NameError: name 'Ytrain' is not defined	变量名大小写不一致/拷贝时漏段	搜索 Ytrain/ytrain 统一命名（训练/测试标签用同一风格）
SyntaxError 出现在 %matplotlib inline	该语法仅适用于 Jupyter	运行环境是 .py / IDE 脚本 脚本环境移除该魔法命令
训练集 1.0、测试集明显下降	树无约束生长导致过拟合	对比 clf.score(Xtrain, Ytrain) vs clf.score(Xtest, ytest) 加 max_depth/min_samples_leaf/min_samples_split，或用 ccp_alpha 做后剪枝
InvalidParameterError: The 'criterion' parameter ...	sklearn 版本差异或参数拼写	sklearn.version ；检查 criterion 值 用官方支持值；新版本支持 gini/entropy/log_loss

其他系列

🚀 AI篇持续更新中（长期更新）

AI炼丹日志-29 - 字节跳动 DeerFlow 深度研究框斜体样式架 私有部署 测试上手 架构研究 ，持续打造实用AI工具指南！ AI研究-132 Java 生态前沿 2025：Spring、Quarkus、GraalVM、CRaC 与云原生落地

💻 Java篇持续更新中（长期更新）

Java-218 RocketMQ Java API 实战：同步/异步 Producer 与 Pull/Push Consumer MyBatis 已完结，Spring 已完结，Nginx已完结，Tomcat已完结，分布式服务已完结，Dubbo已完结，MySQL已完结，MongoDB已完结，Neo4j已完结，FastDFS 已完结，OSS已完结，GuavaCache已完结，EVCache已完结，RabbitMQ已完结，RocketMQ正在更新... 深入浅出助你打牢基础！

📊 大数据板块已完成多项干货更新（300篇）：

包括 Hadoop、Hive、Kafka、Flink、ClickHouse、Elasticsearch 等二十余项核心组件，覆盖离线+实时数仓全栈！ 大数据-278 Spark MLib - 基础介绍 机器学习算法 梯度提升树 GBDT案例 详解