使用决策树建模时,我们需要将决策树输出出来,以直观的展示各决策节点,简单分享一下我的学习笔记。
1. 建立模型
# 导入库 from sklearn.datasets import load_iris from sklearn import tree iris = load_iris() # 建立并训练模型 clf = tree.DecisionTreeClassifier(max_depth=3) clf.fit(iris.data, iris.target)
2. 输出决策树
# 输出决策树文件.dot tree.export_graphviz(clf, out_file='tree.dot')
然后需要将tree.dot 文件转化为tree.png。
转化方法:win+r,输入cmd,回车,打开命令输入窗 输入:dot -T png tree.dot -o tree.png,即可在同一文件夹下得到 tree.png文件。
如下图:
上一步操作请确保电脑中已安装Graphviz,并已将Graphviz下的bin目录地址添加到了环境变量中。
Graphviz下载地址: https://graphviz.gitlab.io/_pages/Download/Download_windows.html ,下载.msi文件双击安装。
环境变量的添加方法:参照: https://jingyan.baidu.com/article/a24b33cd7005d719fe002b09.html ,例如我的 Graphviz路径:C:\Program Files\Graphviz2.38\bin
3. 显示决策树
# 在Jupyter中显示出来 %pylab inline from IPython.display import Image Image('tree.png')
显示如下:
可以看到首要决策因素是X[3],将列名打印出来
iris.feature_names[3]
输出:'petal width (cm)',即花瓣的宽度。
还可以在Markdown中使用 ![title](tree.png) 命令在Jupyter中插入本地图片,但是这种方法在将.ipynb文件保存为.html文件时图片可能显示不出来(见附件)!!
感谢你长得这么好看还关注我的博客,^_^
转载请注明出处:
作者:胡湛鹏
本文由okajun 创作,采用 知识共享署名-相同方式共享 3.0 中国大陆许可协议 进行许可。
转载、引用前需联系作者,并署名作者且注明文章出处。
本站文章版权归原作者及原出处所有 。内容为作者个人观点, 并不代表本站赞同其观点和对其真实性负责。本站是一个个人学习交流的平台,并不用于任何商业目的,如果有任何问题,请及时联系我们,我们将根据著作权人的要求,立即更正或者删除有关内容。本站拥有对此声明的最终解释权。
以上就是本文的全部内容,希望本文的内容对大家的学习或者工作能带来一定的帮助,也希望大家多多支持 码农网
猜你喜欢:本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
Python深度学习
[美] 弗朗索瓦•肖莱 / 张亮 / 人民邮电出版社 / 2018-8 / 119.00元
本书由Keras之父、现任Google人工智能研究员的弗朗索瓦•肖莱(François Chollet)执笔,详尽介绍了用Python和Keras进行深度学习的探索实践,涉及计算机视觉、自然语言处理、生成式模型等应用。书中包含30多个代码示例,步骤讲解详细透彻。由于本书立足于人工智能的可达性和大众化,读者无须具备机器学习相关背景知识即可展开阅读。在学习完本书后,读者将具备搭建自己的深度学习环境、建......一起来看看 《Python深度学习》 这本书的介绍吧!