屬實(shí)逼真，決策樹可視化！

同學(xué)們好

決策樹的可視化,我以為之前介紹的方法已經(jīng)夠驚艷了（決策樹可視化，被驚艷到了！），沒想到最近又發(fā)現(xiàn)了一個(gè)更驚艷的，而且更逼真，話不多說，先看效果圖↓

直接繪制隨機(jī)森林也不在話下

下面就向大家介紹一下這個(gè)神器 —— pybaobabdt

安裝GraphViz

pybaobabdt依賴GraphViz，首先下載安裝包

http://www.graphviz.org/download/

2、雙擊msi文件，然后一直選擇next（默認(rèn)安裝路徑為C:\Program Files (x86)\Graphviz2.38\），安裝完成之后，會(huì)在windows開始菜單創(chuàng)建快捷信息。

3、配置環(huán)境變量：計(jì)算機(jī)→屬性→高級系統(tǒng)設(shè)置→高級→環(huán)境變量→系統(tǒng)變量→path，在path中加入路徑：

4、驗(yàn)證：在windows命令行界面，輸入dot -version，然后按回車，如果顯示如下圖所示的graphviz相關(guān)版本信息，則安裝配置成功。

安裝pygraphviz和pybaobabdt

pip直接安裝pygraphviz的話，大概率會(huì)報(bào)錯(cuò)，建議下載whl文件本地安裝。

pybaobabdt就簡單了，直接pip install pybaobabdt 即可

pybaobabdt用法

pybaobabdt 用起來也簡單到離譜，核心命令只有一個(gè)pybaobabdt.drawTree,下面是官方文檔示例代碼，建議在jupyter-notebook中運(yùn)行。

import?pybaobabdt
import?pandas?as?pd
from?scipy.io?import?arff
from?sklearn.tree?import?DecisionTreeClassifier
from?matplotlib.colors?import?LinearSegmentedColormap
from?matplotlib.colors?import?ListedColormap
from?colour?import?Color
import?matplotlib.pyplot?as?plt
import?numpy?as?np

data?=?arff.loadarff('vehicle.arff')
df???=?pd.DataFrame(data[0])
y?=?list(df['class'])
features?=?list(df.columns)

???????????????????
features.remove('class')
X?=?df.loc[:,?features]

clf?=?DecisionTreeClassifier().fit(X,?y)

ax?=?pybaobabdt.drawTree(clf,?size=10,?dpi=72,?features=features,?colormap='Spectral')

這個(gè)圖怎么看呢？

不同的顏色對應(yīng)不同的分類（target），每個(gè)分叉處都標(biāo)記了分裂的條件，所以劃分邏輯一目了然。樹的深度也是工整的體現(xiàn)了出來。

樹枝的直徑也不是擺設(shè)，而是代表了樣本的個(gè)數(shù)（比例），該劃分條件下的樣本越多，樹干也就越粗。

你是發(fā)現(xiàn)最最底層的樹枝太細(xì)太脆弱的時(shí)候，是不是應(yīng)該考慮一下過擬合風(fēng)險(xiǎn)，比如需要調(diào)整一下最小樣本數(shù)？

繪制隨機(jī)森林

import?pybaobabdt
import?pandas?as?pd
from?scipy.io?import?arff
import?matplotlib.pyplot?as?plt
from?sklearn.ensemble?import?RandomForestClassifier
data?=?arff.loadarff('vehicle.arff')

df?=?pd.DataFrame(data[0])
y?=?list(df['class'])
features?=?list(df.columns)
features.remove('class')
X?=?df.loc[:,?features]

clf?=?RandomForestClassifier(n_estimators=20,?n_jobs=-1,?random_state=0)
clf.fit(X,?y)
size?=?(15,15)
plt.rcParams['figure.figsize']?=?size
fig?=?plt.figure(figsize=size,?dpi=300)

for?idx,?tree?in?enumerate(clf.estimators_):
????ax1?=?fig.add_subplot(5,?4,?idx+1)
????pybaobabdt.drawTree(tree,?model=clf,?size=15,?dpi=300,?features=features,?ax=ax1)
????
fig.savefig('random-forest.png',?format='png',?dpi=300,?transparent=True)

怎么用，是不是很酷，趕緊去試試吧！
如有收獲，可否在看、收藏、轉(zhuǎn)發(fā)一下？感謝~

參考：https://mp.weixin.qq.com/s/uIazCL9SjNDguu59up5KjA

準(zhǔn)備寫本書
這次，我真當(dāng)up主了
21個(gè)深度學(xué)習(xí)開源數(shù)據(jù)集匯總！
耗時(shí)一個(gè)月，做了一個(gè)純粹的機(jī)器學(xué)習(xí)網(wǎng)站
用 Python 從 0 實(shí)現(xiàn)一個(gè)神經(jīng)網(wǎng)絡(luò)
40篇AI論文！附PDF下載，代碼、視頻講解