sklearn决策树结果可视化

《老饼讲解机器学习》http://ml.bbbdata.com/teach#95

目录

一.代码

二.运行结果

---

sklearn中，训练完决策树后，将决策树可视化，更容易帮助我们了解模型的训练结果。

决策树图形化 需要先通过pip安装graphviz包： pip install graphviz

仍然使用《分类:一个简单的决策树例子》中的例子：

一.代码

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

备注：

（1）如果报错 failed to execute ['dot', '-Tsvg'], make sure the Graphviz executables are on your systems' PATH，请查看《运行graphviz报错解决方案》

（2）如果没显示以下图形，则独立运行最后一句 graph

二.运行结果

通过图形化，我们可以清晰的看到：

初始根节点有150个样本，每个类别各有50个样本。gini系数为0.667，节点属于setosa类别 。
根节点以petal_length<=2.45划为左节点，共50个样本，全部第1类。该节点极纯，gini系数为0。 根据这50个样本所属类别，该节点被判为setosa.
根节点petal_length>2.45划为右节点，共100个样本，2类和3类各50个。该节点gini系数为0.5（即随便抽两个样本，属于不同类别的可能性为0.5）。根据这100个样本，该节点被判为versicolor类。

画出图后，可以清晰看到整个树的构建过程和树最后的结构，便于我们分析模型和模型优化。 

《老饼讲解机器学习》http://ml.bbbdata.com/teach#95