決策樹為字典格式，示例如下：

{'tearRate': {'reduced': 'no lenses', 'normal': {' astigmatic': {'yes': {' prescript': {'hyper': {'age': {'pre': 'no lenses', 'presbyopic': 'no lenses', 'young': 'hard'}}, 'myope': 'hard'}}, 'no': {'age': {'pre': 'soft', 'presbyopic': {' prescript': {'hyper': 'soft', 'myope': 'no lenses'}}, 'young': 'soft'}}}}}}

繪制決策樹代碼

import matplotlib.pyplot as plt

def getNumLeafs(myTree):

# 初始化樹的葉子節點個數

numLeafs = 0

# myTree.keys()獲取樹的非葉子節點'no surfacing'和'flippers'

# list(myTree.keys())[0]獲取第一個鍵名'no surfacing'

firstStr = list(myTree.keys())[0]

# 通過鍵名獲取與之對應的值，即{0: 'no', 1: {'flippers': {0: 'no', 1: 'yes'}}}

secondDict = myTree[firstStr]

# 遍歷樹，secondDict.keys()獲取所有的鍵

for key in secondDict.keys():

# 判斷鍵是否為字典，鍵名1和其值就組成了一個字典，如果是字典則通過遞歸繼續遍歷，尋找葉子節點

if type(secondDict[key]).__name__ == 'dict':

numLeafs += getNumLeafs(secondDict[key])

# 如果不是字典，則葉子結點的數目就加1

else:

numLeafs += 1

# 返回葉子節點的數目

return numLeafs

def getTreeDepth(myTree):

# 初始化樹的深度

maxDepth = 0

# 獲取樹的第一個鍵名

firstStr = list(myTree.keys())[0]

# 獲取鍵名所對應的值

secondDict = myTree[firstStr]

# 遍歷樹

for key in secondDict.keys():

# 如果獲取的鍵是字典，樹的深度加1

if type(secondDict[key]).__name__ == 'dict':

thisDepth = 1 + getTreeDepth(secondDict[key])

else:

thisDepth = 1

# 去深度的最大值

if thisDepth > maxDepth: maxDepth = thisDepth

# 返回樹的深度

return maxDepth

# 繪圖相關參數的設置

def plotNode(nodeTxt, centerPt, parentPt, nodeType):

# annotate函數是為繪制圖上指定的數據點xy添加一個nodeTxt注釋

# nodeTxt是給數據點xy添加一個注釋，xy為數據點的開始繪制的坐標,位于節點的中間位置

# xycoords設置指定點xy的坐標類型，xytext為注釋的中間點坐標，textcoords設置注釋點坐標樣式

# bbox設置裝注釋盒子的樣式,arrowprops設置箭頭的樣式

'''

figure points:表示坐標原點在圖的左下角的數據點

figure pixels:表示坐標原點在圖的左下角的像素點

figure fraction：此時取值是小數，范圍是([0,1],[0,1]),在圖的左下角時xy是(0,0)，最右上角是(1,1)

其他位置是按相對圖的寬高的比例取最小值

axes points : 表示坐標原點在圖中坐標的左下角的數據點

axes pixels : 表示坐標原點在圖中坐標的左下角的像素點

axes fraction : 與figure fraction類似，只不過相對于圖的位置改成是相對于坐標軸的位置

'''

createPlot.ax1.annotate(nodeTxt, xy=parentPt, \

xycoords='axes fraction', xytext=centerPt, textcoords='axes fraction', \

va="center", ha="center", bbox=nodeType, arrowprops=arrow_args)

# 繪制線中間的文字(0和1)的繪制

def plotMidText(cntrPt, parentPt, txtString):

xMid = (parentPt[0] - cntrPt[0]) / 2.0 + cntrPt[0] # 計算文字的x坐標

yMid = (parentPt[1] - cntrPt[1]) / 2.0 + cntrPt[1] # 計算文字的y坐標

createPlot.ax1.text(xMid, yMid, txtString)

# 繪制樹

def plotTree(myTree, parentPt, nodeTxt):

# 獲取樹的葉子節點

numLeafs = getNumLeafs(myTree)

# 獲取樹的深度

depth = getTreeDepth(myTree)

# firstStr = myTree.keys()[0]

# 獲取第一個鍵名

firstStr = list(myTree.keys())[0]

# 計算子節點的坐標

cntrPt = (plotTree.xoff + (1.0 + float(numLeafs)) / 2.0 / plotTree.totalW, plotTree.yoff)

# 繪制線上的文字

plotMidText(cntrPt, parentPt, nodeTxt)

# 繪制節點

plotNode(firstStr, cntrPt, parentPt, decisionNode)

# 獲取第一個鍵值

secondDict = myTree[firstStr]

# 計算節點y方向上的偏移量，根據樹的深度

plotTree.yoff = plotTree.yoff - 1.0 / plotTree.totalD

for key in secondDict.keys():

if type(secondDict[key]).__name__ == 'dict':

# 遞歸繪制樹

plotTree(secondDict[key], cntrPt, str(key))

else:

# 更新x的偏移量,每個葉子結點x軸方向上的距離為 1/plotTree.totalW

plotTree.xoff = plotTree.xoff + 1.0 / plotTree.totalW

# 繪制非葉子節點

plotNode(secondDict[key], (plotTree.xoff, plotTree.yoff), cntrPt, leafNode)

# 繪制箭頭上的標志

plotMidText((plotTree.xoff, plotTree.yoff), cntrPt, str(key))

plotTree.yoff = plotTree.yoff + 1.0 / plotTree.totalD

# 繪制決策樹，inTree的格式為{'no surfacing': {0: 'no', 1: {'flippers': {0: 'no', 1: 'yes'}}}}

def createPlot(inTree):

# 新建一個figure設置背景顏色為白色

fig = plt.figure(1, facecolor='white')

# 清除figure

fig.clf()

axprops = dict(xticks=[], yticks=[])

# 創建一個1行1列1個figure，并把網格里面的第一個figure的Axes實例返回給ax1作為函數createPlot()

# 的屬性，這個屬性ax1相當于一個全局變量，可以給plotNode函數使用

createPlot.ax1 = plt.subplot(111, frameon=False, **axprops)

# 獲取樹的葉子節點

plotTree.totalW = float(getNumLeafs(inTree))

# 獲取樹的深度

plotTree.totalD = float(getTreeDepth(inTree))

# 節點的x軸的偏移量為-1/plotTree.totlaW/2,1為x軸的長度，除以2保證每一個節點的x軸之間的距離為1/plotTree.totlaW*2

plotTree.xoff = -0.5 / plotTree.totalW

plotTree.yoff = 1.0

plotTree(inTree, (0.5, 1.0), '')

plt.show()

運行代碼

# 設置畫節點用的盒子的樣式

decisionNode = dict(boxstyle="sawtooth", fc="0.8")

leafNode = dict(boxstyle="round4", fc="0.8")

# 設置畫箭頭的樣式

arrow_args = dict(arrowstyle="

tree_dict = {'tearRate': {'reduced': 'no lenses', 'normal': {' astigmatic': {'yes': {' prescript': {'hyper': {'age': {'pre': 'no lenses', 'presbyopic': 'no lenses', 'young': 'hard'}}, 'myope': 'hard'}}, 'no': {'age': {'pre': 'soft', 'presbyopic': {' prescript': {'hyper': 'soft', 'myope': 'no lenses'}}, 'young': 'soft'}}}}}}

createPlot(tree_dict)

效果圖

決策樹構建示例

決策樹實戰——預測隱形眼睛類型

總結

以上是生活随笔為你收集整理的python中如何画出决策树_使用Python绘制决策树的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。