DecisionTreeClassifier原理以及默认参数

DecisionTreeClassifier是一个基于决策树算法的分类器，其原理是通过构建一棵决策树来实现分类。

决策树是一种基于树结构的机器学习算法，它通过对数据集进行递归划分，将数据集划分成多个子集，每个子集对应一个叶子节点。在构建决策树的过程中，每个节点都代表一个特征，每个分支代表一个特征值，通过不断地选择最优的特征和特征值进行划分，最终得到一棵能够对数据进行分类的决策树。

DecisionTreeClassifier的默认参数如下：

- criterion: 衡量特征选择质量的度量方法，默认为"gini"，也可以选择"entropy"。
- splitter: 决策树中节点分裂的策略，默认为"best"，也可以选择"random"。
- max_depth: 决策树的最大深度，默认为None。如果不指定，则节点会一直分裂，直到所有叶子节点的样本数都小于min_samples_split或者所有叶子节点的标签相同。
- min_samples_split: 节点分裂所需的最小样本数，默认为2。如果一个节点的样本数小于min_samples_split，则不会进行分裂。
- min_samples_leaf: 叶子节点所需的最小样本数，默认为1。如果一个叶子节点的样本数小于min_samples_leaf，则该节点会被剪枝。
- max_features: 在分裂节点时考虑的特征数，默认为None。如果不指定，则会考虑所有特征。
- random_state: 随机数种子，用于随机化特征选择和分裂点选择。如果不指定，则每次运行算法时得到的结果可能不同。