无法理解决策树参数的含义

Question

我有3个标签（男、女、na），表示如下：

import numpy as np
from sklearn import tree

labels = [0,1,2]

每个标签由 3 个特征（身高、体重和年龄）定义为训练数据：

男性训练数据：

male_height = np.array([111,121,137,143,157])
male_weight = np.array([60,70,88,99,75])
male_age = np.array([41,32,73,54,35])

males = np.vstack([male_height,male_weight,male_age]).T

女性训练数据：

female_height = np.array([91,121,135,98,90])
female_weight = np.array([32,67,98,86,56])
female_age = np.array([51,35,33,67,61])

females = np.vstack([female_height,female_weight,female_age]).T

不可用的训练数据：

na_height = np.array([96,127,145,99,91])
na_weight = np.array([42,97,78,76,86])
na_age = np.array([56,35,49,64,66])

nas = np.vstack([na_height,na_weight,na_age]).T

所以，完整的训练数据是：

trainingData = np.vstack([males,females,nas])

完整的标签是：

labels =  np.repeat(labels,5)

我要制定决策树规则，所以我拟合如下：

clf = tree.DecisionTreeClassifier()
clf = clf.fit(trainingData, labels)

我制作的树在这里： 但是，我无法理解这棵树的含义。 有人可以帮助我了解图像中显示的以下内容的含义，以及关于我的示例数据集：

samples, value, gini, X[0], X[1], X[2]

Answer 1

在树的每一层，算法都选择了一个特定的特征进行分区。选择此选项是为了根据类别对数据进行最佳拆分。因此选择了第一个分割高度，因此'X[0] 105 的样本） 我认为“价值”显示了分类。它总是在叶子节点上。例如，value = [0, 1, 0] 表示样本将被分类为女性 'gini' 如果不查看此特定决策树实现的细节，我不确定