携手创作，共同成长！这是我参与「掘金日新计划 · 8 月更文挑战」的第1天，点击查看活动详情
叶节点数据分布：
T8：{类1:3,，类2:2}
T9：{类1:0，类2:2}
T10：{类1:6，类2:3}
该算法为子树Tt定义了代价（cost）和复杂度（complexity），以及一个可由用户设置的衡量代价与复杂度之间关系的参数α，其中，代价指在剪枝过程中因子树Tt被叶节点t替代而增加的错误分类样本数，复杂度表示剪枝后减少的叶结点数，α则表示剪枝后树的复杂度降低程度与代价之间的关系，定义为:
其中，
|N1|：子树Tt中的叶节点数；
R（t）：结点t的错误代价，计算公式为R（t）=r（t）*p（t）， r（t）为结点t的错分类别样本率，p（t）为落入结点t的样本占所有样本的比例；
R（Tt）：子树Tt错误代价，计算公式为R（Tt）=∑R(i)，i为子树Tt的叶节点。
CCP剪枝算法分为两个步骤：
1.对于完全决策树T的每个非叶结点计算α值，循环剪掉具有最小α值的子树，直到剩下根节点。在该步可得到一系列的剪枝树｛T0，T1，T2......Tm｝,其中T0为原有的完全决策树，Tm为根结点，Ti+1为对Ti进行剪枝的结果；
- 从子树序列中，根据真实的误差估计选择最佳决策树。
继续上例
这三种剪枝方法Scikit_learn都已经实现，我们不需要进行编程来实现它，后续我们会告诉大家它的Scikit_learn实现方法。
此处参考论文：
l Judea Pearl, Heuristics, Addison-Wesley, 1984
l Pessimistic Decision tree pruning based on Tree size
