如何使用Scikit-Learn从Python中的随机森林中可视化决策树
这是完整的代码：只需复制并粘贴到Jupyter Notebook或Python脚本中，替换为您的数据并运行：
from sklearn.datasets import load_iris
iris = load_iris()
# Model (can also use single decision tree)
from sklearn.ensemble import RandomForestClassifier
model = RandomForestClassifier(n_estimators=10)
# Train
model.fit(iris.data, iris.target)
# Extract single tree
estimator = model.estimators_[5]
from sklearn.tree import export_graphviz
# Export as dot file
export_graphviz(estimator, out_file='tree.dot',
feature_names = iris.feature_names,
class_names = iris.target_names,
rounded = True, proportion = False,
precision = 2, filled = True)
# Convert to png using system command (requires Graphviz)
from subprocess import call
call(['dot', '-Tpng', 'tree.dot', '-o', 'tree.png', '-Gdpi=600'])
# Display in jupyter notebook
from IPython.display import Image
Image(filename = 'tree.png')
最终结果是一个完整的决策树作为图像。
代码说明
1.创建模型训练和提取：我们可以使用单个决策树，但由于我经常使用随机森林进行建模，因此在本例中使用了它。
from sklearn.ensemble import RandomForestClassifier
model = RandomForestClassifier(n_estimators=10)
# Train
model.fit(iris.data, iris.target)
# Extract single tree
estimator = model.estimators_[5]
2.将树导出为.dot文件：它使用了Scikit-Learn中的export_graphviz函数。这里有许多参数用于控制外观和显示的信息。可以查看文档以了解详细信息。
from sklearn.tree import export_graphviz
# Export as dot file
export_graphviz(estimator_limited,
out_file='tree.dot',
feature_names = iris.feature_names,
class_names = iris.target_names,
rounded = True, proportion = False,
precision = 2, filled = True)
3.使用系统命令转换dot为png：在Python中运行系统命令可以方便执行此任务。这需要安装graphviz，其中包括dot实用程序。有关转换的完整选项，请参阅文档。
# Convert to png
from subprocess import call
call(['dot', '-Tpng', 'tree.dot', '-o', 'tree.png', '-Gdpi=600'])
4.可视化：Jupyter Notebook中出现最佳可视化效果。（等效地，您可以matplotlib用来显示图像）。
# Display in jupyter notebook
from IPython.display import Image
Image(filename = 'tree.png')
注意事项
随机森林，每棵树将以不同的方式建造。我使用这些图像来显示决策树（以及随后的随机森林）背后的推理，而不是具体细节。
当您拥有许多功能时，限制树木的最大深度会很有帮助。否则，你最终会看到巨大的树木，看起来令人印象深刻，但根本无法解释！
结论
机器学习仍然存在黑盒问题，一个图像无法解决问题！尽管如此，查看单个决策树会向我们展示这个模型（和随机森林）一个解释的方法。