在決策樹中為每個數據點查找相應的葉節點（scikit-learn）

Question

我正在使用python 3.4中的scikit-learn包中的決策樹分類器，我想為每個輸入數據點獲取相應的葉節點id。

例如，我的輸入可能如下所示：

array([[ 5.1,  3.5,  1.4,  0.2],
       [ 4.9,  3. ,  1.4,  0.2],
       [ 4.7,  3.2,  1.3,  0.2]])

我們假設相應的葉節點分別為16,5和45。 我希望我的輸出是：

leaf_node_id = array([16, 5, 45])

我已經閱讀了關於SF的scikit-learn郵件列表和相關問題，但我仍然無法使其工作。 這是我在郵件列表中找到的一些提示，但仍然無效。

http://sourceforge.net/p/scikit-learn/mailman/message/31728624/

在一天結束時，我只想要一個函數Ge​​tLeafNode（clf，X_valida），使其輸出是相應葉節點的列表。 下面是重現我收到的錯誤的代碼。 所以，任何建議都將非常感激。

from sklearn.datasets import load_iris
from sklearn import tree

# load data and divide it to train and validation
iris = load_iris()

num_train = 100
X_train = iris.data[:num_train,:]
X_valida = iris.data[num_train:,:]

y_train = iris.target[:num_train]
y_valida = iris.target[num_train:]

# fit the decision tree using the train data set
clf = tree.DecisionTreeClassifier()
clf = clf.fit(X_train, y_train)

# Now I want to know the corresponding leaf node id for each of my training data point
clf.tree_.apply(X_train)

# This gives the error message below:
---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-17-2ecc95213752> in <module>()
----> 1 clf.tree_.apply(X_train)

_tree.pyx in sklearn.tree._tree.Tree.apply (sklearn/tree/_tree.c:19595)()

ValueError: Buffer dtype mismatch, expected 'DTYPE_t' but got 'double'

Answer 1

由於scikit-learn 0.17，您可以使用DecisionTree對象的apply方法來獲取數據點在樹中結束的葉子的索引。 以neobot的答案為基礎：

from sklearn.datasets import load_iris
from sklearn import tree

# load data and divide it to train and validation
iris = load_iris()

num_train = 100
X_train = iris.data[:num_train,:]
X_valida = iris.data[num_train:,:]

y_train = iris.target[:num_train]
y_valida = iris.target[num_train:]

# fit the decision tree using the train data set
clf = tree.DecisionTreeClassifier()
clf = clf.fit(X_train, y_train)

# Compute the leaf node id for each of my training data points
clf.apply(X_train)

產生輸出

array([1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
       1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
       1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,
       2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,
       2, 2, 2, 2, 2, 2, 2, 2])

Answer 2

我終於開始工作了。 這是一個基於我在scikit-learn郵件列表中的通信消息的解決方案：

在scikit-learn版本0.16.1之后，apply方法在clf.tree_實現，因此，我按照以下步驟操作：

1. 更新scikit-學習到最新版本（0.16.1），以便您可以使用clf.tree_ apply方法
2. 使用以下命令將輸入​​數據數組（ X_train ， X_valida ）從float64為float32 ： X_train = X_train.astype('float32')
3. 現在您可以通過以下方式使用apply方法： clf.tree_.apply(X_train) ，您將獲得每個數據點的葉節點ID。

這是最終的代碼：

from sklearn.datasets import load_iris
from sklearn import tree

# load data and divide it to train and validation
iris = load_iris()

num_train = 100
X_train = iris.data[:num_train,:]
X_valida = iris.data[num_train:,:]

y_train = iris.target[:num_train]
y_valida = iris.target[num_train:]

# convert data to float32
X_train = X_train.astype('float32')

# fit the decision tree using the train data set
clf = tree.DecisionTreeClassifier()
clf = clf.fit(X_train, y_train)

# Now I want to know the corresponding leaf node id for each of my training data point
clf.tree_.apply(X_train)

# This gives the leaf node id:
array([1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
       1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
       1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,
       2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,
       2, 2, 2, 2, 2, 2, 2, 2])