怎么画出决策树-两种决策树的可视化方法_决策树怎么画

目录

一、决策树简单介绍

1.决策树是什么

二.如何实现决策树

三、决策树可视化

3.1 决策树可视化方法一：使用graphviz画出决策树

3.2 决策树可视化方法二：使用plot_tree画出决策树

---

 本文部分图片来自《老饼讲解-机器学习》

一、决策树简单介绍

1.决策树是什么

策树模型是一种常用于研究类别归属和预测关系的模型。在决策树中，每个非叶节点表示一个特征属性上的测试，每个分支代表这个特征属性在某个值域上的输出，而每个叶节点存放一个类别。使用决策树进行决策的过程就是从根节点开始，测试待分类项中相应的特征属性，并按照其值选择输出分支，直到到达叶子节点，将叶子节点存放的类别作为决策结果。

二.如何实现决策树

在python中实现决策树需要借用sklearn包，下面是一个决策树的实现代码：

from sklearn.datasets import load_iris
from sklearn import tree
 
#----------------数据准备----------------------------
iris = load_iris()                          # 加载数据

#---------------模型训练----------------------------------
clf = tree.DecisionTreeClassifier()         # sk-learn的决策树模型
clf = clf.fit(iris.data, iris.target)        # 用数据训练树模型构建()
r = tree.export_text(clf, feature_names=iris['feature_names'])
 
 
#---------------模型预测结果------------------------
text_x = iris.data[[0,1,50,51,100,101], :]
pred_target_prob = clf.predict_proba(text_x)        # 预测类别概率
pred_target = clf.predict(text_x)              # 预测类别
 
#---------------打印结果---------------------------
print("\n===模型======")
print(r)
print("\n===测试数据：=====")
print(text_x)
print("\n===预测所属类别概率：=====")
print(pred_target_prob)
print("\n===预测所属类别：======")
print(pred_target)

运行后显示结果如下：

===模型======
|--- petal length (cm) <= 2.45
|   |--- class: 0
|--- petal length (cm) >  2.45
|   |--- petal width (cm) <= 1.75
|   |   |--- petal length (cm) <= 4.95
|   |   |   |--- petal width (cm) <= 1.65
|   |   |   |   |--- class: 1
|   |   |   |--- petal width (cm) >  1.65
|   |   |   |   |--- class: 2
|   |   |--- petal length (cm) >  4.95
|   |   |   |--- petal width (cm) <= 1.55
|   |   |   |   |--- class: 2
|   |   |   |--- petal width (cm) >  1.55
|   |   |   |   |--- sepal length (cm) <= 6.95
|   |   |   |   |   |--- class: 1
|   |   |   |   |--- sepal length (cm) >  6.95
|   |   |   |   |   |--- class: 2
|   |--- petal width (cm) >  1.75
|   |   |--- petal length (cm) <= 4.85
|   |   |   |--- sepal width (cm) <= 3.10
|   |   |   |   |--- class: 2
|   |   |   |--- sepal width (cm) >  3.10
|   |   |   |   |--- class: 1
|   |   |--- petal length (cm) >  4.85
|   |   |   |--- class: 2
 
===测试数据：=====
[[5.1 3.5 1.4 0.2]
 [4.9 3.  1.4 0.2]
 [7.  3.2 4.7 1.4]
 [6.4 3.2 4.5 1.5]
 [6.3 3.3 6.  2.5]
 [5.8 2.7 5.1 1.9]]
 
===预测所属类别概率：=====
[[1. 0. 0.]
 [1. 0. 0.]
 [0. 1. 0.]
 [0. 1. 0.]
 [0. 0. 1.]
 [0. 0. 1.]]
 
===预测所属类别：======
[0 0 1 1 2 2]

这样的结果是非常不直观的，下面我们讲讲怎么画出决策树，将决策树可视化

三、决策树可视化

3.1 决策树可视化方法一：使用graphviz画出决策树

下面我们讲讲怎么画出决策树，让决策树可视化，更方便我们查看模型

要让决策树可视化，需要先通过pip安装graphviz包，安装graphviz包的命令： pip install graphviz

安装完  后，就可以在python中通过代码将决策树可视化，具体代码如下：

from sklearn.datasets import load_iris
from sklearn import tree
import graphviz 
 
#----------------数据准备----------------------------
iris = load_iris()                          # 加载数据
 
#---------------模型训练----------------------------------
clf = tree.DecisionTreeClassifier()         # sk-learn的决策树模型
clf = clf.fit(iris.data, iris.target)       # 用数据训练树模型构建()
r = tree.export_text(clf, feature_names=iris['feature_names'])
dot_data = tree.export_graphviz(clf, out_file=None, 
                     feature_names=iris.feature_names,  
                     class_names=iris.target_names,  
                      filled=True, rounded=True,  
                      special_characters=True)  
graph = graphviz.Source(dot_data)  
graph   #显示图形。（如果没显示，则需要独立运行这一句）
#graph.render("iris") #将图形保存为iris.pdf文件。
#graph.view()        # 直接打开pdf文件展示

运行后的结果如下：

画出决策树后，可以清晰看到整个树的构建过程和树最后的结构，这样更方便我们分析模型和对模型进行优化。

代码与图片来自《老饼讲解|sklearn决策树结果可视化》

3.2 决策树可视化方法二：使用plot_tree画出决策树

plot_tree是sklearn决策树包自带的命令，可以比较简单的画出决策树

下面我们展示怎么使用plot_tree来将决策树可视化

from sklearn.datasets import load_iris
from sklearn import tree
 
#----------------数据准备----------------------------
iris = load_iris()                          # 加载数据
 
#---------------模型训练----------------------------------
clf = tree.DecisionTreeClassifier()         # sk-learn的决策树模型
clf = clf.fit(iris.data, iris.target)       # 用数据训练树模型构建()
tree.plot_tree(clf)

运行结果如下：

两种方法都是可以画出决策树的，使用graphviz可以通过调整参数设置得更为美观，但plot_tree就简单与简洁。

---

写文不易，点赞收藏吧~！