原文鏈接：http://tecdat.cn/?p=27050?

原文出處：拓端數(shù)據(jù)部落公眾號

隨機森林是決策樹的集合。在這篇文章中，我將向您展示如何從隨機森林中可視化決策樹。

?視頻：從決策樹到隨機森林：R語言信用卡違約分析信貸數(shù)據(jù)實例

從決策樹到隨機森林：R語言信用卡違約分析信貸數(shù)據(jù)實例

，時長10:11

?

首先讓我們在房價數(shù)據(jù)集上訓(xùn)練隨機森林模型。

加載數(shù)據(jù)并訓(xùn)練隨機森林。

X = pd.DataFrame(data, columns=feature_names)

讓我們將森林中的樹數(shù)設(shè)置為 100：

RandomForestRegressor(n_estimators=100)

決策樹存儲在?模型list?中的?estimators_?屬性中?rf?。我們可以檢查列表的長度，它應(yīng)該等于?n_estiamtors?值。

1. len(estimators_)

2. 


3. >>> 100

我們可以從隨機森林中繪制第一棵決策樹（?0?列表中有索引）：

plot_tree(rf.estimators_[0])

這棵樹太大，無法在一個圖中將其可視化。

讓我們檢查隨機森林中第一棵樹的深度：

1. tree_.max_depth

2. 


3. >>> 16

我們的第一棵樹有?max_depth=16. 其他樹也有類似的深度。為了使可視化具有可讀性，最好限制樹的深度。讓我們再次訓(xùn)練隨機森林?max_depth=3。

第一個決策樹的可視化圖：

plot_tree(rf.estimators_[0])

我們可以可視化第一個決策樹：

viz

概括

我將向您展示如何可視化隨機森林中的單個決策樹?？梢酝ㄟ^?estimators_?列表中的整數(shù)索引訪問樹。有時當(dāng)樹太深時，值得用?max_depth?超參數(shù)限制樹的深度。?

最受歡迎的見解

1.PYTHON用戶流失數(shù)據(jù)挖掘：建立邏輯回歸、XGBOOST、隨機森林、決策樹、支持向量機、樸素貝葉斯模型和KMEANS聚類用戶畫像

2.R語言基于樹的方法：決策樹，隨機森林

3.python中使用scikit-learn和pandas決策樹

4.機器學(xué)習(xí)：在SAS中運行隨機森林?jǐn)?shù)據(jù)分析報告

5.R語言用隨機森林和文本挖掘提高航空公司客戶滿意度

6.機器學(xué)習(xí)助推快時尚精準(zhǔn)銷售時間序列

7.用機器學(xué)習(xí)識別不斷變化的股市狀況——隱馬爾可夫模型的應(yīng)用

8.python機器學(xué)習(xí)：推薦系統(tǒng)實現(xiàn)（以矩陣分解來協(xié)同過濾）

9.python中用pytorch機器學(xué)習(xí)分類預(yù)測銀行客戶流失