重要參數(shù)：

criterion

回歸樹(shù)衡量分枝質(zhì)量的指標(biāo)，支持的標(biāo)準(zhǔn)有三種：

1 ）輸入 "mse" 使用均方誤差 mean squared error(MSE) ，父節(jié)點(diǎn)和葉子節(jié)點(diǎn)之間的均方誤差的差額將被用來(lái)作為特征選擇的標(biāo)準(zhǔn)，這種方法通過(guò)使用葉子節(jié)點(diǎn)的均值來(lái)最小化L2 損失

2 ）輸入 “friedman_mse” 使用費(fèi)爾德曼均方誤差，這種指標(biāo)使用弗里德曼針對(duì)潛在分枝中的問(wèn)題改進(jìn)后的均方誤差

3 ）輸入 "mae" 使用絕對(duì)平均誤差 MAE （ mean absolute error ），這種指標(biāo)使用葉節(jié)點(diǎn)的中值來(lái)最小化 L1 損失

屬性：

最重要的是 feature_importances_

接口：

apply, fifit, predict, score 最核心。

注：

幾乎所有參數(shù)，屬性及接口都和分類樹(shù)一模一樣。需要注意的是，在回歸樹(shù)中，沒(méi)有標(biāo)簽分布是否均衡的問(wèn)題，因此沒(méi)有class_weight 這樣的參數(shù)。

在回歸樹(shù)中，MSE不只是我們的分枝質(zhì)量衡量指標(biāo)，也是我們最常用的衡量回歸樹(shù)回歸質(zhì)量的指標(biāo)，當(dāng)我們?cè)谑褂媒徊骝?yàn)證，或者其他方式獲取回歸樹(shù)的結(jié)果時(shí)，我們往往選擇均方誤差作 為我們的評(píng)估（在分類樹(shù)中這個(gè)指標(biāo)是score代表的預(yù)測(cè)準(zhǔn)確率）。在回歸中，我們追求的是，MSE越小越好。 然而，回歸樹(shù)的接口score返回的是R平方（R平方可以為正為負(fù)（如果模型的殘差平方和遠(yuǎn)遠(yuǎn)大于模型的總平方和，模型非常糟糕，R平方就會(huì)為負(fù)），而均方誤差永遠(yuǎn)為正。 ），并不是MSE。