Part3—Python实现之可视化

1.前言

假期第一天，首先祝各位假期愉快，难得有这样一段完整的时间，放松的同时也别忘了给自己充电呀，Python实现ID3/C4.5决策树下篇来了。

「决策树」| Part2—Python实现之构建决策树

中我们已经可以基于给定数据集训练出决策树模型，只不过是以字典方式表示决策树，决策树直观、易于理解的优点完全体现不出来。因此，这篇文章的目的就是将训练出的决策树模型以树状图形表示。

给定数据集：

字典形式决策树模型：

2.获取决策树的叶节点数及深度

为了使绘制出的决策树图形不因树的节点、深度的增减而变得畸形，因此利用决策树的叶子节点个数以及树的深度将x轴、y轴平均切分，从而使树状图平均分布在画布上。

3.绘制决策树

3.1绘制节点

plotNode函数一次绘制的是一个箭头与一个节点，plotMidText函数绘制的是直线中点上的文本。

3.2递归绘制决策树

递归绘制决策树的整体思路如下：

(1)绘制当前节点；

(2)如果当前节点的子节点不是叶子节点，则递归；

(3)如果当前节点的子节点是叶子节点，则绘制。

根据决策树的叶子节点数和深度来平均切分画布，并且x、y轴的总长度为1，如下图所示：

原谅我的画图水平

3.2.1在createPlot函数中:

plotTree.totalW：表示叶子节点个数，因此上图中每两个叶子节点之间的距离为：1/plotTree.totalW；

plotTree.totalD：表示决策树深度；

plotTree.xOff：表示最近绘制的叶子节点x坐标，在绘制叶节点时其值才会更新；其初始值为图中虚线圆圈位置，这样在以后确定叶子节点位置时可以直接加整数倍的1/plotTree.totalW；

plotTree.yOff= 1.0 ：表示当前绘制的深度，其值初始化为根节点y坐标。

3.2.2在plotTree函数中:

在确定当前节点x坐标时，只需确定当前节点下的叶节点个数，其x坐标即为叶节点所占距离的一半：float(numLeafs)/2.0/plotTree.totalW；

由于plotTree.xOff初始值为-0.5/plotTree.totalW，因此当前节点x坐标还需加上0.5/plotTree.totalW。

4.决策树可视化

字典形式表示决策树：

树状图形决策树：

5.使用决策树算法

在已知对方有钱，人品差，长得漂亮后，利用前面训练的决策树做出决策，见或不见？！

决策结果：

6.存储决策树模型

构建决策树消耗的时间还是很可观的，尤其在数据量大的时候，因此，当训练完决策树模型后有必要将其保存下来，以便后续使用。使用Python模块的pickle序列化对象可以解决这个问题，序列化对象可以在磁盘上保存对象，在需要时将其读取出来。

不知不觉，进入了假期第二天......

Enjoy Coding and Life！