python - 如何用 Python 可视化回归树

Question

我希望可视化使用 scikit learn 中的任何集成方法(梯度增强回归器、随机森林回归器、装袋回归器)构建的回归树。 I've looked at this question很接近，并且 this question它处理分类树。但这些问题需要“树”方法，而 SKLearn 中的回归模型无法使用该方法。

但似乎没有产生结果。我遇到了问题，因为这些树的回归版本没有 .tree 方法(该方法仅适用于分类版本)。我想要类似 this 的输出但基于科学工具包学习构建的树。

我已经探索了与对象相关的方法，但无法给出答案。

Answer 1

正如我所评论的，分类和回归决策 TreeMap 之间没有功能差异。改编 docs 中的回归玩具示例:

from sklearn import tree
X = [[0, 0], [2, 2]]
y = [0.5, 2.5]
clf = tree.DecisionTreeRegressor()
clf = clf.fit(X, y)

然后，类似地，分类 docs 中的一些代码关于graphviz:

import graphviz 
dot_data = tree.export_graphviz(clf, out_file='tree.dot') 

我们最终得到一个文件tree.dot，如下所示:

digraph Tree {
node [shape=box] ;
0 [label="X[0] <= 1.0\nmse = 1.0\nsamples = 2\nvalue = 1.5"] ;
1 [label="mse = 0.0\nsamples = 1\nvalue = 0.5"] ;
0 -> 1 [labeldistance=2.5, labelangle=45, headlabel="True"] ;
2 [label="mse = 0.0\nsamples = 1\nvalue = 2.5"] ;
0 -> 2 [labeldistance=2.5, labelangle=-45, headlabel="False"] ;
}

现在，您可以继续将其可视化，如文档中所示 - 但如果由于某种原因您无法渲染 Graphviz 对象，您可以使用便捷的服务 WebGraphviz (+1 到链接问题中的 relevant answer)；结果如下所示:

你自己的答案，即为了可视化而一路安装graphlab，听起来有点矫枉过正......

最后一句话:不要被树布局的表面差异所欺骗，这些差异仅反射(reflect)了相应可视化包的设计选择；您绘制的回归树(不可否认，它看起来不太像树)在结构上与从文档中获取的分类相似 - 简单地想象一棵自上而下的树，其中带有您的odor 节点位于顶部，后面是绿色节点，最后是蓝色和橙色节点(并将“是/否”替换为“真/假”)...