我正在使用scikit-learn的随机森林回归器来拟合数据集上的随机森林回归器。是否可能以一种格式解释输出，以便我可以在不使用scikit-learn甚至Python的情况下实现模型拟合？
解决方案需要在微控制器或甚至FPGA中实现。我正在使用Python进行分析和学习，但希望在uC或FPGA上实现。
解决方案需要在微控制器或甚至FPGA中实现。我正在使用Python进行分析和学习，但希望在uC或FPGA上实现。
4个回答
4
你可以查看Graphviz，它使用“点语言”来存储模型（如果你想要构建自定义解释器，这种语言非常易读，不应该很难）。Scikit-learn中有一个
export_graphviz函数。你可以通过boost库的read_graphviz方法或其他可用的自定义解释器在C++中加载和处理模型。- sashkello
3
2
您可以尝试从树集成模型中提取规则，并在硬件中实现这些规则。
您可以使用TE2Rules（Tree Ensembles to Rules）来提取人类可理解的规则，以解释Scikit树集成（如GradientBoostingClassifier）。它提供了控制可解释性、保真度和运行时间预算的杠杆，以提取有用的解释。由TE2Rules提取的规则保证能够精确地近似于树集成，通过考虑集成中多个树的联合交互作用。
参考资料：
TE2Rules：您可以在此处找到代码：https://github.com/linkedin/TE2Rules 和文档：https://te2rules.readthedocs.io/en/latest/。
披露：我是TE2Rules的核心开发人员之一。
您可以使用TE2Rules（Tree Ensembles to Rules）来提取人类可理解的规则，以解释Scikit树集成（如GradientBoostingClassifier）。它提供了控制可解释性、保真度和运行时间预算的杠杆，以提取有用的解释。由TE2Rules提取的规则保证能够精确地近似于树集成，通过考虑集成中多个树的联合交互作用。
参考资料：
TE2Rules：您可以在此处找到代码：https://github.com/linkedin/TE2Rules 和文档：https://te2rules.readthedocs.io/en/latest/。
披露：我是TE2Rules的核心开发人员之一。
- G Roshan Lal
0
对于微控制器实现来说，通常最实用的是使用C语言。有一些库支持将scikit-learn的RandomForestRegressor转换为C代码，包括：
- [micromlgen](link1) - [m2cgen](link2) - [emlearn](link3)
- [micromlgen](link1) - [m2cgen](link2) - [emlearn](link3)
- Jon Nordby
0
这部分的意思不太清楚：
现在，我已经有了结果，是否有可能以某种格式解释它，然后实现拟合过程，而不使用sklearn甚至python？
为给定数据集实现拟合过程？树拓扑结构？参数选择？
关于“不使用sklearn或python实现”，您是指“移植字节码或二进制文件”还是“完全新的代码实现”？
假设您指的是后者，我建议使用GPU而不是FPGA或uC。
- smci
网页内容由stack overflow 提供, 点击上面的可以查看英文原文，
原文链接
原文链接
export_graphviz在sklearn.tree中，并且需要一个决策树作为参数。那么如何将其应用于sklearn.ensemble.RandomForestRegressor这样的集成方法呢？ - Carlos Macasaet