是否可以在 scikit-learn 中打印决策树？

Question

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？

Answer 1

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

Answer 2

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：

1. 安装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）
2. 安装pydot通过PIP（ pip install pydot ）
3. 将包含 .exe 文件（例如 dot.exe）的 graphviz 文件夹目录添加到您的环境变量 PATH
4. 运行上面的 EdChum（注意： 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”

Answer 3

我知道有 4 种绘制 scikit-learn 决策树的方法：

• 使用sklearn.tree.export_text方法打印树的文本表示
• 用sklearn.tree.plot_tree方法绘图（需要matplotlib ）
• 使用sklearn.tree.export_graphviz方法绘图（需要graphviz ）
• 使用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。