本站原创文章，转载请说明来自《老饼讲解-机器学习》www.bbbdata.com
本文介绍决策树分箱用于连续变量的分箱方法
通过本文，掌握决策树分箱的具体方法、思想和计算实例。
本节讲解什么是决策树分箱，以及决策树分箱的流程
什么是决策树分箱
决策树分箱是对连续变量进行自动分箱的一种方法，它属于有监督分箱，即需要有y值
简单来说，决策树分箱就是利用决策树模型进行分箱，
它将需要要分箱的单个变量与y进行CART决策树建模，将最终的树分割结果作为分箱结果
决策树分箱-实例讲解
以下是iris数据：
要对x1进行分箱，只需要将x1与类别建立决策树，如下
可以看到，只用x1预测类别时，x1的切割点为 [ 5.45,4.85,6.15,5.05,5.75,6.85,6.45]
整理后就得到以下分箱结果:
决策树分箱流程
1. 将要分箱的x和对应的y，放到决策树中
2. 根据目标分箱个数，调整相关的决策树参数
3. 训练决策树
4. 提取决策树对x的分割点作为分箱结果
✍️说明
最终决策树的每个叶子节点，就是一个分箱
sklearn中影响分箱个数(叶子节点)的参数有：
-------------------------------------------------------------
min_samples_leaf ：叶子节点最小样本数
min_samples_split ：节点分枝最小样本个数
max_depth ：树分枝的最大深度
min_weight_fraction_leaf ：叶子节点最小权重和
min_impurity_decrease ：节点分枝最小纯度增长量
max_leaf_nodes ：最大叶子节点数
ccp_alpha ：CCP剪枝系数
End
