我想绘制一个随机森林的决策树。所以，我创建了以下代码：
clf = RandomForestClassifier(n_estimators=100)
import pydotplus
import six
from sklearn import tree
dotfile = six.StringIO()
i_tree = 0
for tree_in_forest in clf.estimators_:
if (i_tree <1):
tree.export_graphviz(tree_in_forest, out_file=dotfile)
pydotplus.graph_from_dot_data(dotfile.getvalue()).write_png('dtree'+ str(i_tree) +'.png')
i_tree = i_tree + 1
但它不会产生任何东西。你知道如何从随机森林中绘制决策树吗？
谢谢，
假设你的随机森林模型已经安装好了，首先你应该首先导入export_graphviz函数：
from sklearn.tree import export_graphviz
在您的 for 循环中，您可以执行以下操作来生成dot文件
export_graphviz(tree_in_forest,
feature_names=X.columns,
filled=True,
rounded=True)
下一行生成一个 png 文件
os.system('dot -Tpng tree.dot -o tree.png')
在 scikit-learn 中拟合随机森林模型后，您可以可视化随机森林中的单个决策树。下面的代码首先适合随机森林模型。
import matplotlib.pyplot as plt
from sklearn.datasets import load_breast_cancer
from sklearn import tree
import pandas as pd
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
# Load the Breast Cancer Dataset
data = load_breast_cancer()
df = pd.DataFrame(data.data, columns=data.feature_names)
df['target'] = data.target
# Arrange Data into Features Matrix and Target Vector
X = df.loc[:, df.columns != 'target']
y = df.loc[:, 'target'].values
# Split the data into training and testing sets
X_train, X_test, Y_train, Y_test = train_test_split(X, y, random_state=0)
# Random Forests in `scikit-learn` (with N = 100)
rf = RandomForestClassifier(n_estimators=100,
random_state=0)
rf.fit(X_train, Y_train)
您现在可以可视化单个树。下面的代码可视化了第一个决策树。
fn=data.feature_names
cn=data.target_names
fig, axes = plt.subplots(nrows = 1,ncols = 1,figsize = (4,4), dpi=800)
tree.plot_tree(rf.estimators_[0],
feature_names = fn,
class_names=cn,
filled = True);
fig.savefig('rf_individualtree.png')
下图是保存的内容。
因为这个问题需要树，所以如果您愿意，您可以可视化随机森林中的所有估计器（决策树）。下面的代码可视化了上面随机森林模型拟合的前 5 个。
# This may not the best way to view each estimator as it is small
fn=data.feature_names
cn=data.target_names
fig, axes = plt.subplots(nrows = 1,ncols = 5,figsize = (10,2), dpi=900)
for index in range(0, 5):
tree.plot_tree(rf.estimators_[index],
feature_names = fn,
class_names=cn,
filled = True,
ax = axes[index]);
axes[index].set_title('Estimator: ' + str(index), fontsize = 11)
fig.savefig('rf_5trees.png')
下图是保存的内容。
代码改编自这篇文章。
要从 scikit-learn 中的随机森林访问单个决策树，请使用estimators_属性：
rf = RandomForestClassifier()
# first decision tree
rf.estimators_[0]
然后您可以使用标准方法来可视化决策树：
export_textexport_graphviz方法绘图plot_tree方法绘图dtreeviz包进行树图绘制这篇文章中描述了带有示例输出的代码。
在从随机森林中绘制单个决策树时，重要的是它可能已经完全生长（默认超参数）。这意味着树可以非常有深度。对我来说，深度大于 6 的树很难阅读。因此，如果需要树可视化，我将构建max_depth< 7 的随机森林。您可以查看这篇文章中的示例可视化。
你可以像这样查看每棵树，
i_tree = 0
for tree_in_forest in FT_cls_gini.estimators_:
if (i_tree ==3):
tree.export_graphviz(tree_in_forest, out_file=dotfile)
graph = pydotplus.graph_from_dot_data(dotfile.getvalue())
i_tree = i_tree + 1
Image(graph.create_png())
您可以绘制一棵树：
from sklearn.tree import export_graphviz
from IPython import display
from sklearn.ensemble import RandomForestRegressor
m = RandomForestRegressor(n_estimators=1, max_depth=3, bootstrap=False, n_jobs=-1)
m.fit(X_train, y_train)
str_tree = export_graphviz(m,
out_file=None,
feature_names=X_train.columns, # column names
filled=True,
special_characters=True,
rotate=True,
precision=0.6)
display.display(str_tree)
除了上面给出的解决方案之外，您还可以尝试这个（希望将来可能需要这个的任何人）。
from sklearn.tree import export_graphviz
from six import StringIO
i_tree = 0
dot_data = StringIO()
for tree_in_forest in rfc.estimators_:#rfc random forest classifier
if (i_tree ==3):
export_graphviz(tree_in_forest, out_file=dot_data)
graph = pydotplus.graph_from_dot_data(dot_data.getvalue())
i_tree = i_tree + 1
Image(graph.create_png())