Là max_depth trong scikit tương đương với việc cắt tỉa trong cây quyết định?

Tôi đã phân tích trình phân loại được tạo bằng cây quyết định. Có một tham số điều chỉnh được gọi là max_depth trong cây quyết định của scikit. Đây có phải là tương đương với việc cắt tỉa một cây quyết định? Nếu không, làm thế nào tôi có thể tỉa cây quyết định bằng scikit?

dt_ap = tree.DecisionTreeClassifier(random_state=1, max_depth=13)
boosted_dt = AdaBoostClassifier(dt_ap, random_state=1)
boosted_dt.fit(X_train, Y_train)

Đây có phải là tương đương với việc cắt tỉa một cây quyết định?

Mặc dù chúng có các mục tiêu tương tự (nghĩa là đặt một số hạn chế cho mô hình để nó không phát triển quá phức tạp và quá phù hợp), nhưng max_depth không tương đương với việc cắt tỉa. Cách cắt tỉa thường hoạt động là quay trở lại qua cây và thay thế các nhánh không giúp đỡ với các nút lá.

Nếu không, làm thế nào tôi có thể tỉa cây quyết định bằng scikit?

Bạn không thể thông qua scikit-learn (mà không thay đổi mã nguồn).
Trích dẫn từ tài liệu Cây quyết định : Các cơ chế như cắt tỉa (hiện không được hỗ trợ)

Nếu bạn muốn cắt tỉa một cái cây, bạn phải tự làm một mình:
Bạn có thể đọc bài viết tuyệt vời này chi tiết cách làm như vậy.

Bây giờ với phiên bản mới 0.22.1, bạn có thể! Nó cắt tỉa dựa trên việc cắt tỉa phức tạp chi phí tối thiểu: cây con có độ phức tạp chi phí lớn nhất nhỏ hơn ccp_alpha sẽ được chọn.

https://scikit-learn.org/urdy/auto_examples/tree/plot_cost_complexity_pruning.html