如何从每个节点提取sklearn决策树规则到pandas布尔条件？

Posted 2023-03-12

【中文标题】如何从每个节点提取sklearn决策树规则到pandas布尔条件？

【英文标题】：How to extract sklearn decision tree rules from every node to pandas boolean conditions?

【发布时间】：2020-04-04 04:19:52

【问题描述】：

此问题与此处链接的问题类似（并且可能是其简单扩展）：

How to extract sklearn decision tree rules to pandas boolean conditions?

以上链接的解决方案综合如下：

首先让我们使用关于决策树的 scikit 文档 结构以获取有关已构建树的信息：

n_nodes = clf.tree_.node_count
children_left = clf.tree_.children_left
children_right = clf.tree_.children_right
feature = clf.tree_.feature
threshold = clf.tree_.threshold

然后我们定义两个递归函数。第一个会找到 从树根的路径创建一个特定的节点（所有的叶子在 我们的案例）。第二个会写用于创建的具体规则 使用其创建路径的节点：

def find_path(node_numb, path, x):
        path.append(node_numb)
        if node_numb == x:
            return True
        left = False
        right = False
        if (children_left[node_numb] !=-1):
            left = find_path(children_left[node_numb], path, x)
        if (children_right[node_numb] !=-1):
            right = find_path(children_right[node_numb], path, x)
        if left or right :
            return True
        path.remove(node_numb)
        return False


def get_rule(path, column_names):
    mask = ''
    for index, node in enumerate(path):
        #We check if we are not in the leaf
        if index!=len(path)-1:
            # Do we go under or over the threshold ?
            if (children_left[node] == path[index+1]):
                mask += "(df['']<= ) \t ".format(column_names[feature[node]], threshold[node])
            else:
                mask += "(df['']> ) \t ".format(column_names[feature[node]], threshold[node])
    # We insert the & at the right places
    mask = mask.replace("\t", "&", mask.count("\t") - 1)
    mask = mask.replace("\t", "")
    return mask

最后，我们使用这两个函数先存储路径 每个叶子的创建。然后存储用于创建每个规则的规则 叶：

Leaves leave_id = clf.apply(X_test)

paths = for leaf in np.unique(leave_id):
    path_leaf = []
    find_path(0, path_leaf, leaf)
    paths[leaf] = np.unique(np.sort(path_leaf))

rules =  for key in paths:
    rules[key] = get_rule(paths[key], pima.columns)

根据你给出的数据，输出是：

rules = 3: "(df['insulin']<= 127.5) & (df['bp']<= 26.450000762939453) & (df['bp']<= 9.100000381469727)  ",  
4: "(df['insulin']<= 127.5) & (df['bp']<= 26.450000762939453) & (df['bp']> 9.100000381469`727)",  
6: "(df['insulin']<= 127.5) & (df['bp']> 26.450000762939453) & (df['skin']<= 27.5)  ",  
7: "(df['insulin']<= 127.5) & (df['bp']> 26.450000762939453 & (df['skin']> 27.5)  ",  
10: "(df['insulin']> 127.5) & (df['bp']<= 28.149999618530273) &(df['insulin']<= 145.5)  ",  
11: "(df['insulin']> 127.5) & (df['bp']<= 28.149999618530273) & (df['insulin']> 145.5)  ",  
13: "(df['insulin']> 127.5) & (df['bp']> 28.149999618530273) & (df['insulin']<= 158.5)  ",  
14: "(df['insulin']> 127.5) & (df['bp']> 28.149999618530273) & (df['insulin']> 158.5)  "

由于规则是字符串，你不能直接调用它们 df[rules[3]]，你必须像这样使用 eval 函数 df[eval(rules[3])]

上面发布的解决方案非常适合查找每个终止节点的路径。我想知道是否可以以与上述链接（字典/列表格式）完全相同的输出格式存储每个节点（叶子和终止节点）的路径。

谢谢！

【参考方案1】：

好的，所以我想出了一个解决我的问题的方法（尽管我不相信这是最好/最有效的方法），它也不是我问题的直接答案（我没有存储路径对于每个单独的节点 - 只需创建一个能够解析存储信息的函数）。它是上述解决方案的第二部分，允许您为要查找的特定节点提取子集数据。

node_id = 3

def datatree_path_summarystats(node_id):
    for k, v in paths.items():
        if node_id in v:
            d = k,v

    ruleskey = d[0]
    numberofsteps = sum(map(lambda x : x<node_id, d[1]))

    for k, v in rules.items():
        if k == ruleskey:
            b = k,v

    stringsubset = b[1]

    datasubset = "&".join(stringsubset.split('&')[:numberofsteps])
    return datasubset

datasubset = datatree_path_summarystats(node_id)

df[eval(datasubset)]

此函数会遍历包含您要查找的节点 ID 的路径。然后，它将根据节点数量拆分规则，从而创建基于该特定节点对数据帧进行子集化的逻辑。