假设我在数据集中有2个（或多个）可以确定链接的特征（例如：特征B表示特征A的相关程度），有没有办法设计一个决策树，将两者要素在一起（明显的拆分将是如果要素B足够大地被A拆分，并且如果不忽略A的话）？ 换句话说：我正在寻找一种“帮助”我的决策树的方法，以便在测试功能B之前不测试功能A。此外，不要单看每个功能的改进，而是要看“ B和后记”的改进。一种” 。任何帮助将不胜感激！
答案 0 :(得分：2)
您可以在splitter中使用DecisionTreeClassifier参数。
为此创建自己的实现。
并使用：
my_decision_tree = sklearn.tree.DecisionTreeClassifier(splitter=mySplitter)
答案 1 :(得分：2)
您有几种可能性，
您可以提供第三个功能，该功能是功能A和功能B的线性，政治或逻辑组合，并希望系统自己完成所有操作。为此，sklearn提出了Polinomial Features类和numpy的所有制作模块。
例如，如果特征B编码特征A的相关性。假设B从0变为10，则编码相关性。如果 B> i 和 -10000 ，则可以创建新功能A_0， A_2，A_i，...，A_9 其他地方。
您还可以创建第三个特征，即A + B或A B或A B ^ 2。这些问题是，在拟合决策树之后，很难对结果进行很好的解释。
您可以使用所需的条件对数据进行分区，然后为每个子数据集拟合不同的树。例如，您可以将数据划分为两个组：B> 5和B <= 5
您可以仅将主树拟合到B的要素上，然后，对于决策树的每个叶子，现在可以考虑A和B的要素来拟合新的树。 就代码而言，这可能很麻烦，因为您需要处理多个分类器，并确保每片叶子有足够的样本，以便可以容纳更多的树。
如果您真的想掌握每一步树的决策方法，则必须按照Aditya的建议进行操作，在这种情况下，您将需要创建自己的分离器功能。
sklearn中的默认拆分器已实现here
您需要对其进行修改，以考虑到问题的所有变量