決策樹可視化指南

決策樹是機(jī)器學(xué)習(xí)的一種經(jīng)典的模型，因其泛化性能好，可解釋性強(qiáng)而被廣泛應(yīng)用到實(shí)際商業(yè)預(yù)測中。通常在我們完成決策樹模型搭建后，我們會(huì)進(jìn)一步研究分析我們搭建好的模型，這時(shí)候模型的可視化就顯得尤為重要。下面是生成的決策樹可視化圖像：

插件安裝

scikit-learn中決策樹的可視化一般需要安裝graphviz。主要包括graphviz庫的安裝和python的graphviz插件的安裝。
安裝graphviz庫：

• pip install graphviz

安裝graphviz插件:

安裝插件地址：http://www.graphviz.org，下載對應(yīng)的插件。

安裝插件（默認(rèn)安裝地址，直接一直點(diǎn)下一步直到完成安裝）

環(huán)境配置： 復(fù)制安裝目錄的bin路徑：C:\Program Files\Graphviz\bin
（a）打開我的電腦，點(diǎn)擊屬性

（b）選擇高級(jí)設(shè)置

（c）選擇環(huán)境變量

（d）雙擊選擇Path進(jìn)入

(e)新建，粘貼的前面復(fù)制的bin路徑，點(diǎn)擊確定

（f）重啟jupter notebook即可

可視化的三種方法

搭建模型

from sklearn import tree dtree = tree.DecisionTreeClassifier() dtree.fit(x_train,y_train)

在搭建完決策樹后，下面介紹可視化具體操作的三種方法
方法一：
簡單粗暴，一行代碼搞定什么都不用安裝。缺點(diǎn)也很明顯，生成的可視化圖比較模糊，且不能保存圖片，違背了可視化的初衷，不建議使用這種方法。

tree.plot_tree(bdtree,filled=True)

方法二：
這種方法比較常用，需要安裝graphviz庫和graphviz插件，安裝方法上面已經(jīng)介紹。這種使用這種方法得到的圖像比較高清，并且還會(huì)額外生成PDF文件和一個(gè)文本文件。比較推薦使用。

import graphviz dot_data = tree.export_graphviz(dtree,out_file=None,feature_names=feature_names,class_names=class_names,filled=True,rounded=True,special_characters=True) graph = graphviz.Source(dot_data) graph.render('computer')

方法三：
最后一種方法是最麻煩的，除了需要安裝graphviz庫和graphviz插件，還需要安裝：

• pip install pydotplus
• pip install six
  這種方法得到的圖像比較清晰，且可以雙擊放大縮小，可以保存為png圖片和pdf文檔。這種方法根據(jù)個(gè)人需求使用吧。

# 決策樹可視化 import graphviz import pydotplus from six import StringIO from sklearn.tree import export_graphviz from IPython.display import Image# 文件緩存 dot_data = StringIO() # 將決策樹導(dǎo)入到dot中 export_graphviz(bdtree, out_file=dot_data, filled=True, rounded=True,special_characters=True,feature_names = feature_names,class_names=class_names) # 將生成的dot文件生成graph print(feature_names) graph = pydotplus.graph_from_dot_data(dot_data.getvalue()) # 將結(jié)果存入到png文件中 graph.write_png('diabetes.png') graph.write_pdf('diabetes.pdf') # 顯示 Image(graph.create_png())

注意事項(xiàng)

在我們做可視化的時(shí)候，需要注意中各重要的參數(shù)：

feature_names

class_names

在做可視化的時(shí)候需要傳入這兩個(gè)參數(shù)，這兩個(gè)參數(shù)都需要傳入一個(gè)列表類型的數(shù)據(jù)，并且兩個(gè)參數(shù)需要與模型傳入的數(shù)據(jù)一一對應(yīng)，否則就違背了可視化的初衷了。
feature_names：
假如我們的數(shù)據(jù)格式是DataFrame格式通常可以在數(shù)據(jù)處理后通過以下方法獲取（也可以手動(dòng)輸入）：

feature_names = data.columns[:-1]

class_names：

• 這個(gè)參數(shù)如果類別數(shù)不多的話，最好手動(dòng)輸入。或者通過data[‘分類標(biāo)簽’].unique()獲取后再做格式轉(zhuǎn)換和順序調(diào)整

決策樹可視化實(shí)戰(zhàn)

from sklearn import tree import pandas as pddata = pd.read_csv('zoo.csv') data.head()# 獲取訓(xùn)練數(shù)據(jù)和標(biāo)簽 x_data = data.drop(['animal_name', 'class_type'], axis=1) y_data = data['class_type']# 搭建模型 dtree = tree.DecisionTreeClassifier() dtree.fit(x_data,y_data)# 獲取feature_names和class_names feature_names = data.columns[1:-1]cls_n = data.class_type.unique() class_names = [] for i in cls_n:class_names.append(str(i)) class_names.sort()# # 方法一 # tree.plot_tree(dtree,filled=True)# # 方法二 # import graphviz# dot_data = tree.export_graphviz(dtree, # out_file=None, # feature_names=feature_names, # class_names=cls_n, # filled=True, # rounded=True, # special_characters=True) # graph = graphviz.Source(dot_data)# graph.render('computer') # graph # 方法三 import graphviz import pydotplus from six import StringIO from IPython.display import Image # 文件緩存 dot_data = StringIO() # 將決策樹導(dǎo)入到dot中 tree.export_graphviz(dtree, out_file=dot_data, filled=True, rounded=True,special_characters=True,feature_names = feature_names,class_names=class_names) # 將生成的dot文件生成graph print(feature_names) graph = pydotplus.graph_from_dot_data(dot_data.getvalue()) # 將結(jié)果存入到png文件中 graph.write_png('diabetes.png') graph.write_pdf('diabetes.pdf') # 顯示 Image(graph.create_png())

總結(jié)

以上是生活随笔為你收集整理的决策树可视化保姆级教程的全部內(nèi)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(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。