[英]Is it possible to print the decision tree in scikit-learn?
有没有办法在 scikit-learn 中打印训练有素的决策树? 我想为我的论文训练一个决策树,我想把树的图片放在论文中。 那可能吗?
有一种导出为graph_viz格式的方法: http ://scikit-learn.org/stable/modules/generated/sklearn.tree.export_graphviz.html
所以从在线文档:
>>> from sklearn.datasets import load_iris
>>> from sklearn import tree
>>>
>>> clf = tree.DecisionTreeClassifier()
>>> iris = load_iris()
>>>
>>> clf = clf.fit(iris.data, iris.target)
>>> tree.export_graphviz(clf,
... out_file='tree.dot')
然后您可以使用图形即加载它,或者如果您安装了 pydot,那么您可以更直接地执行此操作: http ://scikit-learn.org/stable/modules/tree.html
>>> from sklearn.externals.six import StringIO
>>> import pydot
>>> dot_data = StringIO()
>>> tree.export_graphviz(clf, out_file=dot_data)
>>> graph = pydot.graph_from_dot_data(dot_data.getvalue())
>>> graph.write_pdf("iris.pdf")
将生成一个 svg,无法在此处显示,因此您必须点击链接: http : //scikit-learn.org/stable/_images/iris.svg
更新
自从我第一次回答这个问题以来,行为似乎发生了变化,它现在返回一个list
,因此您会收到此错误:
AttributeError: 'list' object has no attribute 'write_pdf'
首先,当您看到此内容时,只需打印对象并检查对象即可,很可能您想要的是第一个对象:
graph[0].write_pdf("iris.pdf")
感谢@NickBraunagel 的评论
虽然我迟到了,但以下综合说明对于想要显示决策树输出的其他人可能有用:
安装必要的模块:
graphviz
。 我在这里使用了 conda 的安装包(推荐使用pip install graphviz
因为pip
install 不包括实际的 GraphViz可执行文件)pydot
通过PIP( pip install pydot
)graph
是一个包含pydot.Dot
对象的list
):from sklearn.datasets import load_iris
from sklearn import tree
from sklearn.externals.six import StringIO
import pydot
clf = tree.DecisionTreeClassifier()
iris = load_iris()
clf = clf.fit(iris.data, iris.target)
dot_data = StringIO()
tree.export_graphviz(clf, out_file=dot_data)
graph = pydot.graph_from_dot_data(dot_data.getvalue())
graph[0].write_pdf("iris.pdf") # must access graph's first element
现在您将在环境的默认目录中找到“iris.pdf”
我知道有 4 种绘制 scikit-learn 决策树的方法:
sklearn.tree.export_text
方法打印树的文本表示sklearn.tree.plot_tree
方法绘图(需要matplotlib
)sklearn.tree.export_graphviz
方法绘图(需要graphviz
)dtreeviz
包绘图(需要dtreeviz
和graphviz
)最简单的是导出为文本表示。 示例决策树将如下所示:
|--- feature_2 <= 2.45
| |--- class: 0
|--- feature_2 > 2.45
| |--- feature_3 <= 1.75
| | |--- feature_2 <= 4.95
| | | |--- feature_3 <= 1.65
| | | | |--- class: 1
| | | |--- feature_3 > 1.65
| | | | |--- class: 2
| | |--- feature_2 > 4.95
| | | |--- feature_3 <= 1.55
| | | | |--- class: 2
| | | |--- feature_3 > 1.55
| | | | |--- feature_0 <= 6.95
| | | | | |--- class: 1
| | | | |--- feature_0 > 6.95
| | | | | |--- class: 2
| |--- feature_3 > 1.75
| | |--- feature_2 <= 4.85
| | | |--- feature_1 <= 3.10
| | | | |--- class: 2
| | | |--- feature_1 > 3.10
| | | | |--- class: 1
| | |--- feature_2 > 4.85
| | | |--- class: 2
然后,如果您安装了matplotlib
,则可以使用sklearn.tree.plot_tree
:
tree.plot_tree(clf) # the clf is your decision tree model
示例输出类似于您将使用export_graphviz
获得的export_graphviz
:
您也可以尝试dtreeviz
包。 它会给你更多的信息。 这个例子:
您可以在此博客文章中找到 sklearn 决策树的不同可视化与代码片段的比较:链接。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.