如何通过循环测试sklearn决策树多组max_depth参数取值

完全可以通过循环批量测试max_depth的不同取值，不需要手动逐个修改参数重跑。
你只需要遍历目标取值区间，每次实例化对应参数的决策树模型、完成训练、记录验证集上的评估指标，最后对比所有结果就能选出表现最优的参数。
针对你要测试10到15区间取值的需求，参考实现代码如下：

from sklearn import tree
from sklearn.metrics import accuracy_score

# 存储不同max_depth对应的模型和验证集表现
result_record = {}

# range是左闭右开区间，要取到15需要把上界设为16
for depth in range(10, 16):
    # 初始化对应参数的决策树
    clf = tree.DecisionTreeClassifier(max_depth=depth)
    # 训练模型
    clf.fit(X_train, y_train)
    # 在验证集上计算预测效果
    val_pred = clf.predict(X_val)
    val_acc = accuracy_score(y_val, val_pred)
    # 保存结果
    result_record[depth] = {
        "model": clf,
        "val_accuracy": val_acc
    }

# 输出所有参数的效果对比
for d, info in result_record.items():
    print(f"max_depth = {d}，验证集准确率：{info['val_accuracy']:.4f}")

几个需要注意的点：

• 参数筛选过程不要用测试集做评估，会造成数据泄露，必须使用独立划分的验证集；如果想要结果更稳定，也可以在循环里搭配交叉验证计算平均得分。
• 如果后续需要同时测试多个参数的不同取值，不用自己手写多层循环，可以直接用scikit-learn内置的GridSearchCV做网格搜索，本质也是遍历参数组合，还自带交叉验证逻辑，使用更方便。如果只是单测max_depth这一个参数，上面的手写循环足够轻量好改。

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