我正在使用graphviz绘制分类决策树。
在拟合特征之前,我使用了“preprocessing.StandardScaler()”对它们进行缩放。
因此,当我绘制决策树时,它是基于“转换后的值”绘制的。
有没有一种方法可以在绘制之前将分类器“inverse_transform”,以便决策树绘制节点的实际值而不是转换后的值?
是的,我已经尝试过scale.inverse_transform(rf_clf) ....但是当然不起作用......
从sklearn.datasets中导入数据集。
在拟合特征之前,我使用了“preprocessing.StandardScaler()”对它们进行缩放。
因此,当我绘制决策树时,它是基于“转换后的值”绘制的。
有没有一种方法可以在绘制之前将分类器“inverse_transform”,以便决策树绘制节点的实际值而不是转换后的值?
是的,我已经尝试过scale.inverse_transform(rf_clf) ....但是当然不起作用......
从sklearn.datasets中导入数据集。
iris = datasets.load_iris()
从字典创建数据框
species = [iris.target_names[x] for x in iris.target]
iris = pd.DataFrame(iris['data'], columns = ['Sepal_Length', 'Sepal_Width', 'Petal_Length', 'Petal_Width'])
iris['Species'] = species
转换为数组
Features = np.array(iris[['Sepal_Length', 'Sepal_Width', 'Petal_Length', 'Petal_Width']])
levels = {'setosa':0, 'versicolor':1, 'virginica':2}
Labels = np.array([levels[x] for x in iris['Species']])
分割
nr.seed(1115)
indx = range(Features.shape[0])
indx = ms.train_test_split(indx, test_size = 100)
X_train = Features[indx[0],:]
y_train = np.ravel(Labels[indx[0]])
X_test = Features[indx[1],:]
y_test = np.ravel(Labels[indx[1]])
扩展:
scale = preprocessing.StandardScaler()
scale.fit(X_train)
X_train = scale.transform(X_train)
分类器拟合
rf_clf = tree.DecisionTreeClassifier() ###simple TREE
rf_clf.fit(X_train, y_train)*
使用Graphviz绘制决策树:
dot_data = tree.export_graphviz(rf_clf, out_file=None,
feature_names=['Sepal_Length', 'Sepal_Width', 'Petal_Length', 'Petal_Width'],
class_names=['setosa', 'versicolor', 'virginica'],
filled=True, rounded=True,
special_characters=True)
print(dot_data)
graph = graphviz.Source(dot_data)
graph
第一个节点的结果为“花瓣宽度≤0.53”,第二个节点为“花瓣长度≤-0.788”,这是实数的负数。
我更喜欢树上显示的真实值以英寸为单位...