1）Xtrain、Ytrain分别表示什么？
Xtrain表示数据集中的特征列中划分出的训练集，作为训练模型时的特征数据。Xtest表示数据集里特征列划分出的测试集，用于评估训练出的模型好坏，作为评估模型时的特征数据。
2)Ytrain、Ytest分别表示什么？
Ytrain表示数据集中的标签列中划分出的训练集，作为训练模型时的标签数据。Ytest表示数据集里标签列划分出的测试集，用于评估训练出的模型好坏，作为评估模型时的类标签数据。
3)训练集测试集分类器中参数test_size值为浮点型、整型分别表示什么？
test_size值为浮点型时，表示测试集数据的占比；test_size值为整型时，表示测试集数据的条数。
4）决策树模型相关参数解释
1、解释超参数min_samples_leaf和min_samples_split的区别
min_samples_leaf为叶子节点最少样本数，由于样本集随着决策树自顶向下的划分不断减少，如果我们采用后剪枝的方式，用此超参数限制叶子节点最少的样本数，那么当叶子节点的样本数小于这个阈值时，则此节点会和兄弟节点一起被剪枝。
min_samples_split为内部节点再划分所需最小样本数，也就是说设定此超参数的阈值后，当某节点样本数少于这个超参数，决策树将不再继续划分。
这两者的区别在于：min_samples_leaf是以一种后剪枝的方式对决策树进行剪枝。即：当决策树完全划分结束时，再针对限制条件对小于样本数阈值的节点剪枝；而min_samples_split是在预剪枝的方式中，先设定一个样本数阈值，在构造决策树的过程中，当训练样本个数小于该值时，停止树的生长。
2、根据决策树模型参数min_samples_leaf绘制学习曲线
test1 = []
for i in range(10):
clf1=tree.DecisionTreeClassifier(min_samples_leaf=i+2,criterion="entropy",random_state=30,splitter="random")
clf1=clf1.fit(Xtrain,Ytrain)
score1=clf1.score(Xtest,Ytest)
test1.append(score1)
plt.plot(range(1,11),test1,label="min_samples_leaf")
plt.legend()
plt.show()运行结果：
该图像当迭代次数i=2时，该模型的拟合度的精确率最高，随后迭代次数在2到4之间持平，在i=4之后开始不断下降。所以当i取值在（2，4）区间内时，拟合效果最好。
3、最终确定的模型
clf1=tree.DecisionTreeClassifier(criterion="entropy",splitter='random',random_state=10,max_depth=5,min_samples_leaf=10,min_samples_split=10)
clf1=clf1.fit(Xtrain,Ytrain)
score1=clf1.score(Xtrain,Ytrain)
print("训练集分类分数",score1)
Ypredict = clf1.predict(Xtest)
print("测试集分类结果",Ypredict)
scoretest=clf1.score(Xtest,Ytest)
print("测试集分类分数",scoretest)test2 = []
for i in range(10):
clf2=tree.DecisionTreeClassifier(min_samples_split=i+2,criterion="entropy",random_state=30,splitter="random")
clf2=clf2.fit(Xtrain,Ytrain)
score2=clf2.score(Xtest,Ytest)
test2.append(score2)
plt.plot(range(1,11),test2,label="min_samples_split")
plt.legend()
plt.show()
dot_data2 = tree.export_graphviz(clf2,out_file=None,feature_names=feature_name,class_names=["琴酒","雪莉","贝尔摩德"],filled=True,rounded=True)
graph2 = graphviz.Source(dot_data2)
print(graph2)
graph2.render(filename=r"tree_test2",format='jpg')