随机森林是决策树的集合。在这篇文章中,我将向您展示如何从随机森林中可视化决策树。
从决策树到随机森林:R语言信用卡违约分析信贷数据实例
,时长10:11
首先让我们在房价数据集上训练随机森林模型。
加载数据并训练随机森林。
X = pd.DataFrame(data, columns=feature_names)
让我们将森林中的树数设置为 100:
RandomForestRegressor(n_estimators=100)
决策树存储在 模型list
中的 estimators_
属性中 rf
。我们可以检查列表的长度,它应该等于 n_estiamtors
值。
1. len(estimators_)
2.
3. >>> 100
我们可以从随机森林中绘制第一棵决策树( 0
列表中有索引):
plot_tree(rf.estimators_[0])
这棵树太大,无法在一个图中将其可视化。
让我们检查随机森林中第一棵树的深度:
1. tree_.max_depth
2.
3. >>> 16
我们的第一棵树有 max_depth=16
. 其他树也有类似的深度。为了使可视化具有可读性,最好限制树的深度。让我们再次训练随机森林 max_depth=3
。
第一个决策树的可视化图:
plot_tree(rf.estimators_[0])
我们可以可视化第一个决策树:
viz
概括
我将向您展示如何可视化随机森林中的单个决策树。可以通过 estimators_
列表中的整数索引访问树。有时当树太深时,值得用 max_depth
超参数限制树的深度。
标签:Python,max,Scikit,estimators,可视化,随机,Learn,森林,决策树 From: https://blog.51cto.com/u_14293657/5827846