观看数据科学教程遇TypeError，求解决并尝试DecisionTreeRegressor

1. 修复TypeError错误 #

你遇到的错误根源是参数名拼写错误：min_sample_leaf 应该改为 min_samples_leaf（注意是复数形式的samples）。Scikit-learn的DecisionTreeClassifier类不存在min_sample_leaf这个参数，正确的参数名是min_samples_leaf，用于指定每个叶节点必须包含的最小样本数量。

另外，原代码里的1-5是算术运算，结果为0，这会导致x只取数据集的第0列，大概率不符合你的需求，应该改成1:5来选取索引1到4的列（Python切片遵循左闭右开规则）。

修正后的完整代码：

x = balance_data.values[:, 1:5]
y = balance_data.values[:, 0]

x_train, x_test, y_train, y_test = train_test_split(x, y, test_size = 0.3, random_state = 100)

# 修正参数名
clf_entropy = DecisionTreeClassifier(criterion='entropy', random_state=100, max_depth=3, min_samples_leaf=5)
clf_entropy.fit(x_train, y_train)

2. 切换到DecisionTreeRegressor #

如果你想尝试用于回归任务的DecisionTreeRegressor，可以按照以下步骤操作：

导入所需类 #

首先确保从sklearn.tree导入回归器：

from sklearn.tree import DecisionTreeRegressor

初始化并训练回归器 #

DecisionTreeRegressor的多数参数和DecisionTreeClassifier通用，比如max_depth、min_samples_leaf、random_state等。回归任务默认的评价准则是squared_error（均方误差），你也可以指定absolute_error、friedman_mse等其他准则。

示例代码：

# 初始化回归模型
regressor = DecisionTreeRegressor(max_depth=3, min_samples_leaf=5, random_state=100)
# 训练模型
regressor.fit(x_train, y_train)
# 生成预测结果
y_pred = regressor.predict(x_test)

回归模型的评估 #

回归任务的评估指标和分类任务不同，常用均方误差（MSE）、R²分数来衡量模型性能：

from sklearn.metrics import mean_squared_error, r2_score

# 计算均方误差
mse = mean_squared_error(y_test, y_pred)
# 计算R²分数
r2 = r2_score(y_test, y_pred)

print(f"均方误差: {mse:.2f}")
print(f"R²分数: {r2:.2f}")

注意：DecisionTreeRegressor适用于预测连续数值型标签，所以你的y需要是连续数据，而非分类任务中的离散类别。

内容的提问来源于stack exchange，提问作者Chinedu Okonkwo