pruners

classicML中的树的剪枝器.

Pruner

剪枝器基类.

cml.backend.tree.pruners.Pruner(name=None)

参数

• name: 字符串，剪枝器的名称.

_call_

进行剪枝操作.

__call__(x, y, x_validation, y_validation, tree)

参数

• x: Pandas的DataFrame，特征数据.

• y: Pandas的DataFrame，标签.

• x_validation: Pandas的DataFrame，剪枝使用的验证特征数据.

• y_validation: Pandas的DataFrame，剪枝使用的验证标签.

• tree: cml.backend.tree._TreeNode实例，决策树.

异常

• NotImplementedError: 函数没有实现.

calculation_accuracy

计算使用预后剪枝操作的之后前的准确率.

calculation_accuracy(*args, **kwargs):

异常

• NotImplementedError: 函数没有实现.

PostPruner

后剪枝器.

cml.backend.tree.pruners.PostPruner(name='post')

参数

• name: 字符串，剪枝器的名称.

_call_

进行剪枝操作.

__call__(x, y, x_validation, y_validation, tree)

参数

• x: Pandas的DataFrame，特征数据.

• y: Pandas的DataFrame，标签.

• x_validation: Pandas的DataFrame，剪枝使用的验证特征数据.

• y_validation: Pandas的DataFrame，剪枝使用的验证标签.

• tree: cml.backend.tree._TreeNode实例，决策树.

calculation_accuracy

计算剪枝前的准确率.

这里没有采取原文的做法，而是只计算这一个分支的数据，因为不修剪其他分支，其他分支当前的值不改变也就不会影响准确率的总体变化，这样不仅代码好实现，而且同时显著减少计算的开销.

calculation_accuracy(x_validation, y_validation, tree)

参数

• x_validation: Pandas的DataFrame，剪枝使用的验证特征数据.

• y_validation: Pandas的DataFrame，剪枝使用的验证标签.

• tree: cml.backend.tree._TreeNode实例，决策树.

PrePruner

预剪枝器.

cml.backend.tree.pruners.PrePruner(name='pre')

参数

• name: 字符串，剪枝器的名称.

注意

• 这里只取用了预剪枝算法的思想，实际实现还是在决策树生成以后进行的剪枝操作，因为如果按照原文实现势必影响一个正常的决策树生成.

_call_

进行剪枝操作.

__call__(x, y, x_validation, y_validation, tree)

参数

• x: Pandas的DataFrame，特征数据.

• y: Pandas的DataFrame，标签.

• x_validation: Pandas的DataFrame，剪枝使用的验证特征数据.

• y_validation: Pandas的DataFrame，剪枝使用的验证标签.

• tree: cml.backend.tree._TreeNode实例，决策树.

calculation_accuracy

计算预剪枝划分后的准确率.

calculation_accuracy(x, y, x_validation, y_validation, tree)

参数

• x: Pandas的DataFrame，特征数据.

• y: Pandas的DataFrame，标签.

• x_validation: Pandas的DataFrame，剪枝使用的验证特征数据.

• y_validation: Pandas的DataFrame，剪枝使用的验证标签.

• tree: cml.backend.tree._TreeNode实例，决策树.