数据分享|Python在Scikit-Learn可视化随机森林中的决策树分析房价数据

相关视频

首先让我们在房价数据集（查看文末了解数据获取方式）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。

len(estimators_)>>> 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。

左右滑动查看更多

01

02

03

04

让我们检查随机森林中第一棵树的深度：

tree_.max_depth>>> 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。

数据获取

获取全文完整资料。

本文选自《Python在Scikit-Learn可视化随机森林中的决策树分析房价数据》。