SkLearn决策树：过度拟合还是错误？

Question

我正在使用sklearn的树包分析决策树模型的训练错误和验证错误。

#compute the rms error
def compute_error(x, y, model):
 yfit = model.predict(x.toarray())
 return np.mean(y != yfit) 

def drawLearningCurve(model,xTrain, yTrain, xTest, yTest):
 sizes = np.linspace(2, 25000, 50).astype(int)
 train_error = np.zeros(sizes.shape)
 crossval_error = np.zeros(sizes.shape)

 for i,size in enumerate(sizes):

  model = model.fit(xTrain[:size,:].toarray(),yTrain[:size])

  #compute the validation error
  crossval_error[i] = compute_error(xTest,yTest,model)

  #compute the training error
  train_error[i] = compute_error(xTrain[:size,:],yTrain[:size],model)

from sklearn import tree
clf = tree.DecisionTreeClassifier()
drawLearningCurve(clf, xtr, ytr, xte, yte)

问题是（我不知道这是否有问题），如果我将决策树作为模型提供给函数drawLearningCurve ，则在每个循环中接收到训练错误的结果为0.0 。 它与我的数据集或sklearn的树包的性质有关吗？ 还是还有其他问题？

PS：在其他模型（如朴素贝叶斯，knn或ann）上，训练误差绝对不是0.0。

Answer 1

这些建议给出了一些非常有用的指导。 我只想添加您可能想要调整的参数，称为max_depth 。

更让我担心的是您的compute_error函数很奇怪。 错误为0的事实表明分类器对训练集没有任何错误。 但是，如果确实有任何错误，您的错误函数将不会告诉您。

import numpy as np
np.mean([0,0,0,0] != [0,0,0,0]) # perfect match, error is 0
0.0

np.mean([0,0,0,0] != [1, 1, 1, 1]) # 100% wrong answers
1.0

np.mean([0,0,0,0] != [1, 1, 1, 0]) # 75% wrong answers
1.0

np.mean([0,0,0,0] != [1, 1, 0, 0]) # 50% wrong answers
1.0

np.mean([0,0,0,0] != [1, 1, 2, 2]) # 50% wrong answers
1.0

你想要的是np.sum(y != yfit)甚至更好，自己应sklearn，如错误的功能之一accuracy_score 。