决策树参数调优的代码

决策树的参数调优是机器学习中常见的步骤，以提高模型性能和防止过拟合。在Python的scikit-learn库中，我们可以使用`GridSearchCV`或`RandomizedSearchCV`来调整决策树的参数。这里是一个基本的例子，展示如何使用`GridSearchCV`来优化`DecisionTreeClassifier`的参数：

from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import GridSearchCV
from sklearn.datasets import load_iris

# 加载数据集
iris = load_iris()
X, y = iris.data, iris.target

# 定义参数网格
param_grid = {
    'criterion': ['gini', 'entropy'],  # 划分标准
    'max_depth': [None, 5, 10, 20],  # 树的最大深度
    'min_samples_split': [2, 5, 10],  # 分裂节点所需的最小样本数
    'min_samples_leaf': [1, 2, 4],  # 叶子节点所需的最小样本数
}

# 创建决策树分类器
dtree = DecisionTreeClassifier()

# 使用GridSearchCV进行调优
grid_search = GridSearchCV(dtree, param_grid, cv=5)  # 交叉验证次数
grid_search.fit(X, y)

# 查看最佳参数组合
print("Best parameters: ", grid_search.best_params_)
best_model = grid_search.best_estimator_

# 使用最佳参数训练模型
best_model.fit(X, y)