DecisionTreeClassifier父节点样本数与子节点不匹配的原因是什么？

该现象属于scikit-learn决策树的正常运行逻辑，常见原因有以下4类：

• 拆分逻辑优先优化不纯度下降幅度，不要求样本均衡
  决策树选择拆分特征和阈值的核心规则是最大化信息增益/基尼系数降低幅度，不会刻意平衡两个子节点的样本量。如果某个特征的拆分规则能最大程度区分类别，哪怕拆分后两个子节点的样本量差异极大，也会被优先采用。你观测到的根节点右子节点仅828个样本，只要该拆分的不纯度下降幅度是所有可选方案中最高的，就属于正常结果。
• 预剪枝参数拦截了无效拆分
  你代码中配置的两个预剪枝参数会过滤不符合要求的拆分：
  • min_samples_split=0.03：节点样本量小于总训练样本的3%（你的总训练样本为4267+6669=10936，对应阈值约为328）时，该节点不再拆分
  • min_samples_leaf=0.01：任意拆分的子节点样本量小于总训练样本的1%（对应阈值约为109）时，该拆分方案会被直接舍弃
    如果某个节点的拆分不符合上述规则，你将看不到对应的子节点，自然会出现父子节点样本计数对不上的观感，这是预剪枝的正常效果。
• 样本/类别加权导致统计口径不一致
  如果你训练时传入了sample_weight参数，或者配置了class_weight参数，那么plot_tree输出的value是加权后的类样本计数，而samples是实际样本条数，两者总和会出现不匹配，属于加权统计的正常逻辑。
• 缺失值自动分配规则
  如果训练数据存在缺失值，scikit-learn决策树会自动将所有缺失值样本分配到能最大化不纯度下降的分支，不会均分到两个子节点，也会导致子节点样本量差异极大。

注：如果是两个子节点的samples相加不等于父节点的samples才属于异常，若仅为样本量大小差异，无需特殊处理。

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