1.概述
决策树多分类属于监督学习算法，主要解决多分类预测问题。
➢例如：决策树分类可以进行欺诈行为识别。
输入：1个数据集。
输出：模型、训练集性能指标（类别、准确率、召回率、F1-score、支持样本量）、验证集性能指标（准确率、召回率、F1-score、支持样本量）、混淆矩阵（验证集）、混淆矩阵（训练集）、决策树、平行坐标图、特征重要性。
2.配置方法
将决策树多分类节点添加到实验后，可通过右侧的“配置项目”页面，对决策树多分类节点进行设置。
2.1参数列表
【使用集群】选择true时，算子使用分布式集群运行，选择false时单机运行，默认为false。集群运行需要在集群环境下才能生效。
【自动调参】自动调参取值为true时，模型自动进行超参数优化，取值为false时，需要手动调参。
【分裂准则】决策树的节点在选择分裂的特征时用到的准则，分为两种：gini：基尼系数；entropy： 信息熵。
【分裂策略】特征划分点选择标准。best：在所有分裂点中找到最优分裂点，适用小数据量。random：随机在部分分裂点中找到局部最优分裂点，适用大数据量。
【最大深度】推荐在特征多同时样本量也多时，适当增大最大深度设置。设置为0时，禁用最大深度限制。参数取值范围：请填写大于0的整数。
【分裂所需最小样本数】节点中样本量小于设定值，该节点停止分裂，可限制决策树分支的增长，设定值越小决策树模型复杂度越低，泛化能力提高，但是会减低精度。参数取值范围：请填写大于0的整数。
【叶子节点最小样本数】当前节点的子节点中的任一节点样本量小于设定值，会和其所有兄弟节点被剪枝，设定值越小，决策树模型复杂度越低，泛化能力越低，但是会增大精度。参数取值范围：请填写大于0的整数。
【叶子节点最小样本权重和】当前节点的子节点所有样本权重之和小于设定值，会和其所有兄弟节点被剪枝。参数取值范围：请填写大于0的浮点数。
【最大特征数】特征划分时考虑的最大特征数。auto：最大特征数=sqrt（特征总数），sqrt：最大特征数=sqrt（特征总数），log2：最大特征数=log2（特征总数），None：最大特征数=特征总数。
【随机种子】固定随机种子用于保证模型训练的结果可复现。设置为0时，禁用随机种子。参数取值范围：请填写大于等于0的整数。
【最大叶子节点】推荐在特征多同时样本量也多时，适当限制整棵树的叶子节点数量，设置限制整棵树的叶子节点数量，设置为0时，禁用最大叶子节点数。参数取值范围：请输入大于等于0的整数。
【最小不纯度降低值】决策树在创建分支时，信息增益必须大于这个设定值，否则节点不分裂。该值设定越低，泛化能力越低，但是会增大精度。参数取值范围：请输入大于等于0的浮点数。
【类别权重】当数据集类别比例不平衡时使用。balanced：自动平衡样本，None：不进行样本平衡，当样本类别不平衡时，可设置为balanced。
2.2选择变量
【特征列】选择模型的特征字段，至少选择一列。
【目标列】选择模型的目标字段，至少选择一列。
选择数据页面操作见插件节点>选择数据。
3.查看结果
可通过连接多视图节点查看结果或连接表格视图来查看性能指标，连接图片视图来查看混淆矩阵、决策树、平行坐标图和特征重要性。配合保存为训练模型节点使用，可以将待预测的特征输入模型，进行预测计算。
其中准确率、召回率、F1-score的取值范围为[0,1]，当数值越接近1，说明模型表现越好。
特征重要性展现了每个特征对于模型的影响大小，并对它们进行降序排列。
平行坐标图中颜色的深浅代表了数据分布情况，颜色越深代表该区间上的数据分布越多。
