DecisiontreeClassifier，为什么值的总和是错误的？

Question

我可视化了我的decisiontreeclassifier，我注意到，样本的总和是错误的，或者以不同的方式表示“值”值与样本的值不匹配（屏幕截图）？我是否误解了我的决策树？我想如果在我的节点中得到100个样本，40个是真的，60个是假的，那么我在下一个节点中得到了40个（或60个）样本，这些样本被再次划分

import matplotlib.pyplot as plt
from sklearn import tree
tree1=DecisionTreeClassifier(criterion="entropy",max_features=13,max_leaf_nodes=75,min_impurity_decrease=0.001,min_samples_leaf=12,min_samples_split=20,splitter="best",max_depth=9)

tree1.fit(X_train,y_train)
feature_names=Daten.drop("Abwanderung_LabelEncode",axis=1).columns
class_names=["Keine Abwanderung","Abwanderung"]
fig = plt.figure(figsize=(25,20))
_ = tree.plot_tree(tree1, 
               feature_names=feature_names,
               class_names=class_names,
               rounded=True,
               filled=True)

Answer 1

情节是正确的

value中的两个值不是要转到子节点的样本数；相反，它们是节点中的负类计数和正类计数。例如，748=101+647；该节点中有748个样本，其中647个为正类。子节点有685和63个样本，685+63=647。左边的子节点有47个负样本，右边的节点有54个，47+54=101，负样本的总数

Answer 2

value字段并不表示拆分的大小，而是表示每个类存在多少数据点。例如，顶部节点voicemail_tarif_labelencode <= 0.5处的拆分有748个样本，101个属于索引0处的类，647个属于索引1处的类。它不显示数据点的数量<；=0.5和那些>；0.5. 如果现在查看下两个节点，则这些样本大小之和（685+63）=748，这是父节点中的样本数