scikitのmax_depthは、決定木の枝刈りと同等ですか？

決定木を使って作成した分類器を分析していました。scikitのディシジョンツリーには、max_depthというチューニングパラメータがあります。これは決定木の枝刈りに相当しますか？そうでない場合、scikitを使用してディシジョンツリーをプルーニングするにはどうすればよいですか？

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)

これは決定木の枝刈りに相当しますか？

それらには同様の目標があります（つまり、モデルが非常に複雑になりすぎて過度に成長しないように、モデルにいくつかの制限を課す）が、剪定と同等でmax_depth はありません。通常、プルーニングは、ツリーをさかのぼってリーフノードに役に立たないブランチを置き換える方法で機能します。

そうでない場合、scikitを使用してディシジョンツリーをプルーニングするにはどうすればよいですか？

（ソースコードを変更せずに）scikit-learnを実行することはできません。ディシジョンツリーのドキュメント
からの引用：剪定などのメカニズム（現在はサポートされていません）

木を剪定する場合は、自分で行う必要があります。方法については、
この優れた記事で詳しく説明されています。

新しいバージョン0.22.1では、次のことができます。これは、最小のコスト複雑度のプルーニングに基づいてプルーニングを行います。ccp_alphaよりも小さい、最もコストの複雑度が高いサブツリーが選択されます。

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