Sklearn 机器学习 决策树 模型参数之最大树深度

💖亲爱的技术爱好者们，热烈欢迎来到 Kant2048 的博客！我是 Thomas Kant，很开心能在CSDN上与你们相遇～💖

本博客的精华专栏：
【自动化测试】 【测试经验】 【人工智能】 【Python】

Sklearn 决策树模型参数之最大树深度详解（max_depth）

在使用 Scikit-learn 构建决策树模型（如 DecisionTreeClassifier 或 DecisionTreeRegressor）时，max_depth 是一个关键参数。它控制树的最大深度，从而直接影响模型的复杂度、拟合能力与泛化性能。

本文将深入讲解该参数的作用、使用方式、调参技巧以及可视化效果，帮助你理解 如何平衡模型复杂度与泛化能力。

🌳 一、什么是 max_depth？

max_depth 表示决策树中从根节点到最深叶子节点所允许的 最大层数（根节点视为第 1 层）。

• 若不设置（默认为 None），树会继续划分直到满足以下任一终止条件：

  • 每个叶子节点样本数 < min_samples_split；
  • 所有样本属于同一类别（分类）或目标值一致（回归）；
  • 达到其他剪枝/停止条件。

• 设置了 max_depth 后，树在达到该深度时将 强制停止继续划分。

🎯 简单来说，它限制了“树最多能长多高”，从而 控制模型复杂度，避免过拟合。

🧠 二、max_depth 与模型表现的关系

示例说明：

使用 DecisionTreeClassifier 对 Iris 鸢尾花数据集进行分类时：

• max_depth=None：训练集准确率高，但测试集准确率可能波动；
• max_depth=2：模型简单，可能错判边界样本；
• max_depth=4：常是不错的平衡点，兼顾拟合与泛化。

🔧 三、参数使用示例（基础代码）

from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score