Max_depth in scikit è l'equivalente della potatura negli alberi delle decisioni?

Stavo analizzando il classificatore creato usando un albero decisionale. C'è un parametro di ottimizzazione chiamato max_depth nell'albero decisionale di scikit. Questo equivalente di potatura è un albero decisionale? In caso contrario, come potrei potare un albero decisionale usando 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)

Questo equivalente di potatura è un albero decisionale?

Sebbene abbiano obiettivi simili (ad esempio ponendo alcune restrizioni al modello in modo che non diventi molto complesso e si adatti max_depth troppo ), non è equivalente alla potatura. Il modo in cui di solito funziona la potatura è tornare indietro attraverso l'albero e sostituire i rami che non aiutano con i nodi foglia.

In caso contrario, come potrei potare un albero decisionale usando scikit?

Non è possibile tramite scikit-learn (senza alterare il codice sorgente).
Citazione tratta dalla documentazione dell'albero decisionale : meccanismi come la potatura (attualmente non supportato)

Se vuoi postare la potatura di un albero devi farlo da solo:
puoi leggere questo eccellente post in dettaglio come farlo.

Ora con la nuova versione 0.22.1, puoi farlo! Esegue la potatura in base alla potatura minima in termini di complessità dei costi: verrà scelto il sottostruttura con la maggiore complessità dei costi inferiore a ccp_alpha.

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