我目前正在处理一个预测问题，我尝试使用scikit-learn的DecisionTreeRegressor来解决这个问题，遇到了以下问题：
当同时指定
max_depth和max_leaf_nodes参数来拟合树时，生成的树的深度为max_depth+1。当仅指定max_depth时，生成的树具有正确的深度。
这是否是DecisionTreeRegressor类中的一个错误，还是我错过了关于回归树的一些常识？
我在一台Windows机器上工作，使用的是Python 3.7的Jupyter笔记本。Sklearn版本是0.20.3。实际上，我在使用RandomForestRegressor时发现了这个问题，但也发现了DecisionTreeRegressor存在相同的问题。
我编写了以下简化的示例，您可以自己尝试。只需取消注释max_leaf_nodes=10即可。
我还使用graphviz可视化了这些树，实际上显示了不同深度的树。
感谢任何评论。
回答：
尽管没有文档说明，如果未设置max_leaf_nodes，将使用DepthFirstTreeBuilder来拟合底层的树对象；如果设置了，则使用BestFirstTreeBuilder；这种差异导致生成的树具有不同的深度。
这是一个实现特定的细节，而不是因为决策树的特定特性导致的。
顺便提一下，我要指出，最大叶节点数也会限制最大深度。
