scikit-learn 中的随机森林解释

Question

我正在使用scikit-learn 的随机森林回归器在数据集上拟合随机森林回归器。 是否可以在不使用 scikit-learn 甚至 ZA7F5F35426B928721711 的情况下实现 model 拟合的格式解释 output

该解决方案需要在微控制器甚至FPGA中实现。 我正在 Python 中进行分析和学习，但想在 uC 或 FPGA 上实现。

Answer 1

你可以查看graphviz，它使用'点语言'来存储模型（如果你想构建一些自定义解释器，这是非常人性化的，应该不难）。 scikit-learn中有一个export_graphviz函数。 您可以通过boost库read_graphviz方法或其他一些可用的自定义解释器在C ++中加载和处理模型。

Answer 2

目前还不清楚你对这部分的意思：

现在，我有结果，是否有可能以某种格式解释这个，然后我可以实现拟合而不使用sklearn甚至python？

实施给定数据集的拟合过程？ 树拓扑？ 选择参数？

至于'实现......不使用sklearn或python' ，你的意思是'移植字节码或二进制'或'清理代码一个全新的实现'？

假设你的意思是后者，我建议GPU而不是FPGA或uC。

Answer 3

您可以尝试从树集合 model 中提取规则并在硬件中实现这些规则。

您可以使用TE2Rules （Tree Ensembles to Rules）提取人类可理解的规则来解释 scikit 树集成（如 GradientBoostingClassifier）。 它提供了控制可解释性、保真度和运行时间预算的杠杆，以提取有用的解释。 由 TE2Rules 提取的规则通过考虑集成中多棵树的联合交互作用，可以保证非常接近树集成。

参考：

TE2Rules：您可以在此处找到代码： https://github.com/groshanlal/TE2Rules和文档： https://te2rules.readthedocs.io/en/latest/ 。

披露：我是 TE2Rules 的核心开发人员之一。