Apakah max_depth dalam scikit setara dengan pemangkasan di pohon keputusan?

Saya menganalisis classifier yang dibuat menggunakan pohon keputusan. Ada parameter tuning yang disebut max_depth di pohon keputusan scikit. Apakah ini setara dengan pemangkasan pohon keputusan? Jika tidak, bagaimana saya bisa memangkas pohon keputusan menggunakan 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)

Apakah ini setara dengan pemangkasan pohon keputusan?

Meskipun mereka memiliki tujuan yang sama (yaitu menempatkan beberapa batasan pada model sehingga tidak tumbuh sangat kompleks dan pakaian), max_depth tidak setara dengan pemangkasan. Cara pemangkasan biasanya bekerja adalah dengan kembali melalui pohon dan mengganti cabang yang tidak membantu dengan simpul daun.

Jika tidak, bagaimana saya bisa memangkas pohon keputusan menggunakan scikit?

Anda tidak dapat melalui scikit-learn (tanpa mengubah kode sumber).
Kutipan diambil dari dokumentasi Pohon Keputusan : Mekanisme seperti pemangkasan (saat ini tidak didukung)

Jika Anda ingin memangkas pohon Anda harus melakukannya sendiri:
Anda dapat membaca posting yang luar biasa ini yang merinci cara melakukannya.

Sekarang dengan versi baru 0.22.1, Anda bisa! Itu pemangkasan berdasarkan pemangkasan kompleksitas biaya minimal: subtree dengan kompleksitas biaya terbesar yang lebih kecil dari ccp_alpha akan dipilih.

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