目前無論是機(jī)器學(xué)習(xí)競賽還是工業(yè)界,最流行、應(yīng)用最廣泛的xgboost其實(shí)是優(yōu)化后的GBDT（LightGBM里面的boosting比較經(jīng)典穩(wěn)定的也是GBDT哦！），而GBDT的基分類器最常用的就是CART決策樹！掌握決策樹，對理解之后的GBDT、LightGBM都有大有裨益。

可視化的方式理解決策樹，對深刻理解這個模型很有幫助。大家最熟知的決策樹可視化實(shí)現(xiàn)方式是下面這種：

dot_data?=?export_graphviz(
????clf,
????out_file=None,
????feature_names=df.columns[:-1],
????class_names=["good",?"bad"],
????filled=True,
????rounded=True,
????special_characters=True,
)
graph2?=?pydotplus.graph_from_dot_data(dot_data)
graph2.write_png("./pics/tree.png")

這種方法很好地展示了樹的結(jié)構(gòu)，但并不完美：
1、基尼系數(shù)會占用圖中的空間，并且不利于解釋
2、每個節(jié)點(diǎn)中各目標(biāo)類別的樣本數(shù)不夠直觀

今天向大家介紹一個更為驚艷的決策樹可視化庫——dtreeviz ?，我們直接看幾張效果圖

dtreeviz有以下特色：

• 利用有顏色的目標(biāo)類別圖例
• 葉子大小與該葉子中的樣本數(shù)成正比
• 將≥和<用作邊緣標(biāo)簽，看起來更清晰
• 決策節(jié)點(diǎn)利用堆疊直方圖展示特征分布，每個目標(biāo)類別都會用不同的顏色顯示
• 在每個節(jié)點(diǎn)中各目標(biāo)類別的樣本數(shù)都用直方圖的形式，這樣可以提供更多信息

dtreeviz同樣依賴GraphViz，其安裝配置方法可以參考我之前的文章（點(diǎn)擊直達(dá)：決策樹的可視化）

GraphViz 搞定后，安裝dtreeviz即可

pip?install?dtreeviz?????????????#?install?dtreeviz?for?sklearn
pip?install?dtreeviz[xgboost]????#?install?XGBoost?related?dependency
pip?install?dtreeviz[pyspark]????#?install?pyspark?related?dependency
pip?install?dtreeviz[lightgbm]???#?install?LightGBM?related?dependency

使用也很簡單