从sklearn文档here或我的实验中可以看到，DecisionTreeClassifier的所有树结构都是二叉树。准则是基尼或熵，每个DecisionTreeClassifier节点只能有0或1或2个子节点。
但是从决策树介绍slide（第3页）来看，理论决策树的每个节点可以有两个以上的子节点。
所以我的问题是，对于sklearn DecisionTreeClassifier，为什么决策树结构只是二叉树（每个DecisionTreeClassifier节点只能有1个或2个子节点。）？我们可以为DecisionTreeClassifier获取具有两个以上子节点的树结构吗？
最佳答案
这是因为sklearn的方法是处理数字特征而不是分类特征，因此当您具有数字特征时，要建立一个可以具有任意数量的阈值（产生两个以上子代的阈值）的精细分割规则相对困难。另一方面，对于分类特征（在提供的幻灯片中使用），另一个可能的选择是具有尽可能多的子级值。两种方法都有其自身的问题（当您拥有大量可能的值时，分类方法使它几乎无法跟踪），而数值方法则需要特殊的特征编码（分类法很热门，这有效地意味着您仍然可以表示同一棵树，但不必使用“物种”和3个孩子[狗，猫，人]，您将拥有更深的决策树：[狗，不是狗]，[不是狗，而是猫，不是狗，不是猫，而是人]）。
因此，简短的答案是“不”，使用此实现您不能获得2个以上的子代，但这通常并不是真正的限制。
关于machine-learning - 为什么决策树结构只是sklearn DecisionTreeClassifier的二叉树？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/57626458/