DecisionTreeClassifier() 是 scikit-learn 库中的决策树分类器，它有几个关键参数，用于控制模型的行为和性能。以下是其中一些重要的参数：
-
criterion：用于划分节点的标准，可以是 ’gini’（基尼指数）、‘entropy’（信息增益），表示对数据纯度的衡量。默认值是 ‘gini’。
-
splitter：分割节点的方式，可以选择 ’best’（选择最优特征划分）、‘random’（随机选取）。 默认值是 ‘best’。
-
max_depth：树的最大深度，如果为 None 则不限制深度，直到所有叶子都是纯样本，即叶子节点中所有的样本点都属于同一个类别。或者每个叶子节点包含的样本数小于 min_samples_split。默认值是 None。
-
min_samples_split：分裂一个内部节点所需的最小样本数。如果为整数，则min_samples_split就是最少样本数。如果为浮点数(0到1之间)，则每次分裂最少样本数为 ceil(min_samples_split * n_samples)。默认值是 2。
-
min_samples_leaf：每个叶节点至少需要的最小样本数。如果为整数，则min_samples_split 就是最少样本数。如果为浮点数(0到1之间)，则每个叶子节点最少样本数为 ceil(min_samples_leaf * n_samples)。默认值是 1。
-
max_features：若非 None，限制考虑的特征数。可以选择 'auto’（选择最优数量的特征），'all'（使用所有可用的特征）或一个整数值。如果为整数，每次分裂只考虑 max_features个特征；如果为浮点数(0到1之间)，每次切分只考虑 int(max_features * n_features) 个特征。默认值是 None（和 'all' 一样，使用全部特征）。
-
random_state：用于随机化的种子，保证结果的可重复性。默认值是 None。
-
class_weight：处理类别不平衡的选项，如 ’default’、'balanced’ 或自定义权重列表。默认值是 None（每个类别的权重都为1）。
-
presort：是否先对数据进行排序再进行划分，对于大样本集可能会提高效率。对于大数据集会减慢总体的训练过程。如果class_weight='balanced'，则分类的权重与样本中每个类别出现的频率成反比：n_samples / (n_classes * np.bincount(y))。默认值是 False。