决策树涉及很多超参数——

• 最小/最大休假

• 尺寸

• 树的深度
• 分裂标准（基尼/熵）等

现在不同的包可能有不同的默认设置。即使在内部R或python如果您使用多个包并比较结果，它们也很可能会有所不同。

R没有什么表明“更好”

如果您想获得相同的结果，则需要确保隐式默认值相似。例如，尝试运行以下命令：

fit <- rpart(y_train ~ ., data = x_train,method="class",
             parms = list(split = "gini"), 
             control = rpart.control(minsplit = 2, minbucket = 1, xval=0, maxdepth = 30))

(predicted5= predict(fit,x_test))
    setosa versicolor virginica
149      0  0.3333333 0.6666667

在这里，参数minsplit = 2, minbucket = 1, xval=0和maxdepth = 30被选择为与sklearn-options 相同，请参见此处。是让你拥有maxdepth = 30的最大价值；rpart

sklearn另一方面，这里没有界限。如果你想probabilities保持相同，你可能也想玩弄这个cp参数。

同样，与

model = tree.DecisionTreeClassifier(criterion='gini', 
                                    min_samples_split=20, 
                                    min_samples_leaf=round(20.0/3.0), max_depth=30)
model.fit(iris.data, iris.target)

我明白了

print model.predict([iris.data[49]])
print model.predict([iris.data[99]])
print model.predict([iris.data[100]])
print model.predict([iris.data[149]])
print model.predict([[6.3,2.8,6,1.3]])

[0]
[1]
[2]
[2]
[1]

这看起来类似于您的初始R输出。

总而言之，我相信默认值R更适合您正在处理的数据集，因此“更好”的结果。但请放心，鉴于参数是明确且相等的，它们是相似的。

希望这可以帮助！

主要区别在于 R/rpart 实现有后修剪，而 scikit learn 没有。在 scikit learn 的情况下，我可能会导致很多过度拟合。

它看起来也像 rpart 直接处理分类变量，但scikit-learn没有。

与其他工具相比，为什么分类变量需要在 scikit-learn 中进行预处理？ 大多数 scikit-learn 假设数据位于 NumPy 数组或单个数字 dtype 的 SciPy 稀疏矩阵中。这些目前没有明确表示分类变量。因此，与 R 的 data.frames 或 pandas.DataFrame 不同，我们需要将分类特征显式转换为数值，如编码分类特征中所述。有关使用异构（例如分类和数字）数据的示例，另请参阅具有混合类型的列转换器。