Python机器学习手册：从数据预处理到深度学习

问题描述

可视化一个决策树模型。

解决方案

将决策树模型导出为DOT格式并可视化：

讨论

可以将整个模型可视化，是决策树分类器的优点之一，这也使决策树成为机器学习中解释性最好的模型之一。在本解决方案中，模型以DOT格式（一种图形描述语言）导出，然后被绘制成图形。

如果查看根节点，可以看到决策规则是，如果花瓣宽度小于或等于0.8就转到左分支，否则就转到右分支。同时，我们还可以看到基尼不纯度指数为0.667，样本数量为150，每个分类中的样本数量分布为[50,50,50]，如果在该节点停止，将得到样本的预测分类为setosa。我们还可以知道在该节点处，依靠单个决策规则（petal width (cm) <= 0.8）能够完美地识别所有的setosa类样本。此外，添加一个基于同一个特征的决策规则（petal width (cm) <= 1.75），决策树能够对150个样本中的144个正确分类。这使得花瓣宽度成为一个非常重要的特征！

如果要在其他应用或者报告中使用该决策树，可以将可视化后的决策树导出为PDF格式或PNG格式：

本节的解决方案对决策树分类模型进行了可视化操作，这种方法也可以用于决策树回归模型。

注意：macOS用户可能需要安装GraphViz才能运行上述代码。可以使用Homebrew命令（brew install graphviz）进行安装。有关Homebrew的安装说明，请访问Homebrew的官方网站。

延伸阅读

● Homebrew（https://brew.sh）