هرس پیچیدگی-هزینه

تابع prune_report(seed) روی داده‌ی دیابت scikit-learn (load_diabetes) یک درخت رگرسیون را با هرس پیچیدگی-هزینه تنظیم می‌کند:

1. داده را با train_test_split(..., random_state=seed) تقسیم کنید.
2. مسیر هرس را روی داده‌ی آموزش بگیرید:

path = DecisionTreeRegressor(random_state=0).cost_complexity_pruning_path(X_train, y_train)
alphas = path.ccp_alphas[:-1]       # آخری فقط ریشه را نگه می‌دارد

1. با GridSearchCV(DecisionTreeRegressor(random_state=0), {"ccp_alpha": alphas}, cv=5, scoring="neg_mean_squared_error") روی داده‌ی آموزش بهترین $\alpha$ را انتخاب کنید.
2. آرایه‌ای سه‌تایی برگردانید: $\alpha$ انتخاب‌شده، تعداد برگ‌های مدل نهایی (best_estimator_.get_n_leaves())، و $R^2$ روی داده‌ی آزمون.