决策树可视化

### Python 中实现决策树可视化的常见方法 #### 方法一： 使用 `sklearn` 的 `export_graphviz` 函数 `sklearn.tree.export_graphviz` 是一种常用的方法来导出决策树模型并生成 `.dot` 文件。随后可以通过 `graphviz` 库将该文件渲染成图像。 以下是具体代码示例： ```python from sklearn.datasets import load_iris from sklearn.tree import DecisionTreeClassifier, export_graphviz import graphviz # 加载数据集 iris = load_iris() clf = DecisionTreeClassifier(random_state=1234) model = clf.fit(iris.data, iris.target) # 导出 .dot 文件 dot_data = export_graphviz( model, out_file=None, feature_names=iris.feature_names, class_names=iris.target_names, filled=True, rounded=True, special_characters=True ) # 渲染为图形 graph = graphviz.Source(dot_data) graph.render("decision_tree_output") # 输出到当前目录下的 decision_tree_output.pdf 或其他格式 ``` 这种方法的优点在于其灵活性以及能够轻松调整参数以优化可视化效果[^3]。 --- #### 方法二： 使用 `dtreeviz` 工具库 `dtreeviz` 是一个专门设计用于增强决策树可解释性的工具，支持高分辨率的交互式图表，并允许标注单个样本路径。 安装方式如下： ```bash pip install dtreeviz ``` 下面是具体的代码实现： ```python from sklearn.datasets import load_wine from sklearn.tree import DecisionTreeClassifier from dtreeviz.trees import dtreeviz wine = load_wine() # 构建模型 clf = DecisionTreeClassifier(max_depth=3, random_state=42) clf.fit(wine.data, wine.target) # 可视化 viz = dtreeviz( clf, x_data=wine.data, y_data=wine.target, target_name='class', feature_names=wine.feature_names, class_names=list(wine.target_names), title="Wine Dataset Decision Tree" ) # 显示或保存图片 viz.view() # 打开浏览器窗口显示 viz.save("wine_decision_tree.svg") # 将结果保存为 SVG 文件 ``` 此方法特别适合于需要更直观理解模型行为的情况，尤其是当关注某个特定实例的预测过程时[^2]。 --- #### 方法三： 基于 `pybaobabdt` 实现高级定制化绘图 对于追求更高美观度或者特殊需求的应用场景，可以考虑使用第三方包 `pybaobabdt` 来完成更加精美的决策树绘制工作。 安装命令： ```bash pip install pybaobabdt ``` 实际应用样例如下所示： ```python import matplotlib.pyplot as plt from sklearn.model_selection import train_test_split from sklearn.tree import DecisionTreeClassifier from pybaobabdt import drawTree # 数据准备 X_train, X_test, y_train, y_test = train_test_split( df[features], df[target], test_size=0.2, random_state=0 ) # 训练模型 model = DecisionTreeClassifier(max_depth=5).fit(X_train, y_train) # 调用 pybaobabdt 进行可视化 ax = drawTree(model, size=10, dpi=300, features=features.tolist()) plt.show() ``` 它提供了丰富的自定义选项以便满足不同用户的审美偏好和业务逻辑表达需求[^4]。 --- #### 解决中文乱码问题的小贴士 如果遇到因字体配置不当而导致的中文字符无法正常显示的问题，则可通过替换默认字体解决： ```python import re with open("tree.dot", "r+", encoding="utf-8") as f: content = re.sub(r'fontname\s*=\s*"Helvetica"', 'fontname="SimSun"', f.read()) with open("fixed_tree.dot", "w", encoding="utf-8") as fw: fw.write(content) ``` 这样即可有效规避由于编码差异引发的一系列麻烦事[^5]。 --- ### 总结 以上介绍了三种主流技术路线及其对应的实际操作指南，每种方案各有侧重领域，在选择合适的技术手段前需综合考量项目背景和个人喜好等因素再做决定。