使用 Scikit-Learn 在 Python 中绘制随机森林的树

Posted 2023-03-12

【中文标题】使用 Scikit-Learn 在 Python 中绘制随机森林的树

【英文标题】：Plot trees for a Random Forest in Python with Scikit-Learn

【发布时间】：2022-01-12 01:59:55

【问题描述】：

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.. 您知道如何从随机森林中绘制决策树吗？

谢谢，

【参考方案1】：

除了上面给出的解决方案，你可以试试这个（希望将来可能需要这个的人）。

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())

【参考方案2】：

要在 scikit-learn 中访问随机森林中的单个决策树，请使用 estimators_ 属性：

rf = RandomForestClassifier()
# first decision tree
rf.estimators_[0]

然后你可以使用标准的方式来可视化决策树：

您可以使用 sklearn export_text 打印树表示 导出到 graphiviz 并使用 sklearn export_graphviz 方法绘图 使用 matplotlib 和 sklearn plot_tree 方法绘图 使用dtreeviz 包进行树图绘制

post 中描述了带有示例输出的代码。

从随机森林中绘制单个决策树时，重要的是它可能已完全生长（默认超参数）。这意味着树可以很深。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，我将使用max_depth post 中查看示例可视化。

【参考方案3】：

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。

因为这个问题要求的是树，所以如果您愿意，您可以可视化随机森林中的所有估计量（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。

代码改编自post。

【参考方案4】：

你可以这样查看每棵树，

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())

【讨论】：

您能否添加更多解释，说明这与其他答案有何不同？比转储代码效果更好

【参考方案5】：

你可以画一棵树：

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)

【讨论】：

你知道“draw_tree”函数中的参数比和精度是什么意思吗？

此方法不再起作用，因为.structured 包已从库中删除

【参考方案6】：

假设您的随机森林模型已经拟合， 首先你应该先导入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')

【讨论】：

我认为随机森林中没有树的属性，不是吗？

@LKM，随机森林是树的列表。您可以使用estimators_ 属性获取该列表。例如，您可以使用random_forest.estimators_[0] 导出第一棵树。

"export_graphviz" 只能用于决策树，不能用于随机森林。

@LKM 一棵树是列表中的一个元素clf.estimators_

len(random_forest.estimators_) 给出树的数量。