【机器学习基础】让人惊艳的决策树可视化

机器学习初学者

共 1914字,需浏览 4分钟

 ·

2020-12-22 17:27


 本文目标

本文的目标是引入dtreeviz来可视化分类决策树,比scikit-learn包自带的可视化效果更好。我们将在Scikit学习使用iris数据集学习决策树教程。

请注意,如果我们使用决策树进行回归,可视化效果会有所不同。

             

 scikit-learn和dtreeviz可视化对比

             

 

前期准备

首先使用pip或conda命令安装模块,如下所示。

pip install dtreevizpip install graphviz #这个包需要下载安装,并配置对应的变量环境

 

加载数据集

import numpy as npfrom sklearn.datasets import load_iris, load_bostonfrom sklearn import tree

iris = load_iris()df_iris = pd.DataFrame(iris['data'], columns=iris['feature_names'])df_iris['target'] = iris['target']df_iris.head()

sepal   length (cm)

sepal width (cm)

petal length (cm)

petal width (cm)

target

5.1

3.5

1.4

0.2

0

4.9

3

1.4

0.2

0

4.7

3.2

1.3

0.2

0

4.6

3.1

1.5

0.2

0

5

3.6

1.4

0.2

0

 

训练决策树

# Train the Decision tree modelclf = tree.DecisionTreeClassifier()clf = clf.fit(iris.data, iris.target)

 

可视化决策树

Scikit-learn

import graphviz 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

 

             

dtreeviz

from dtreeviz.trees import dtreeviz
viz = dtreeviz(clf,               iris['data'],               iris['target'],               target_name='',               feature_names=np.array(iris['feature_names']),               class_names={0:'setosa',1:'versicolor',2:'virginica'})              viz

             

 

通过上面的对比,发现Treeviz的可视化会更好

你可以在每个节点上看到每个类的分布

你可以看到每个分割的决策边界在哪里

你可以看到每片叶子上的样品大小与圆的大小相同



原文名称:How to visualize a decision tree beyond scikit-learn

原文链接:https://h1ros.github.io/posts/how-to-visualize-a-decision-tree-beyond-scikit-learn/


往期精彩回顾





获取本站知识星球优惠券,复制链接直接打开:

https://t.zsxq.com/qFiUFMV

本站qq群704220115。

加入微信群请扫码:

浏览 91
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报