python工具dtreeviz决策树可视化和模型可解释性
前言：
决策树是梯度提升机和随机森林的基本构建块，在学习这些模型的工作原理和模型可解释性时，可视化决策树是一个非常有帮助。不过，当前的可视化包还很初级，对新手没有多少帮助。
最近逛 Github 时，发现一款非常棒的 dtreeviz 工具库：它用于决策树可视化和模型解释。使用 dtreeviz 可以可视化特征空间如何在决策节点上分割，训练样本如何分布在叶节点中，树如何对特定观察进行预测等等。这些操作对于理解分类或回归决策树的工作方式至关重要。
一、安装
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
二、用法
dtree：创建决策树可视化的主要功能。给定决策树回归器或分类器，使用 graphviz 创建并返回树可视化。
1.所需的库
导入所需要的基本库
from sklearn.datasets import * from sklearn import tree from dtreeviz.trees import *
2.回归决策树
树的默认方向是自上而下，但您可以使用orientation=“LR” 将其更改为从左到右。view() 给出一个带有渲染的 graphviz 对象的弹出窗口。
regr = tree.DecisionTreeRegressor(max_depth=2) boston = load_boston() regr.fit(boston.data, boston.target) viz = dtreeviz(regr, boston.data, boston.target, target_name='price', feature_names=boston.feature_names) viz.view()
3.分类决策树
分类树需要class_names 的附加参数，给出类值与类名的映射。
classifier = tree.DecisionTreeClassifier(max_depth=2) # limit depth of tree iris = load_iris() classifier.fit(iris.data, iris.target) viz = dtreeviz(classifier, iris.data, iris.target, target_name='variety', feature_names=iris.feature_names, class_names=["setosa", "versicolor", "virginica"] # need class_names for classifier ) viz.view()
4.预测路径
突出显示参数 X 中传递的单个观察的特征值所在的决策节点。给出观察的特征值并突出树用于遍历路径的特征。
regr = tree.DecisionTreeRegressor(max_depth=2) # limit depth of tree diabetes = load_diabetes() regr.fit(diabetes.data, diabetes.target) X = diabetes.data[np.random.randint(0, len(diabetes.data)),:] # random sample from training viz = dtreeviz(regr, diabetes.data, diabetes.target, target_name='value', orientation ='LR', # left-right orientation feature_names=diabetes.feature_names, X=X) # need to give single observation for prediction viz.view()
如果只想可视化预测路径，则需要设置参数show_just_path=True
dtreeviz(regr, diabetes.data, diabetes.target, target_name='value', orientation ='TD', # top-down orientation feature_names=diabetes.feature_names, X=X, # need to give single observation for prediction show_just_path=True )
5.解释预测路径
这些可视化对于向没有机器学习技能的人解释为什么您的模型做出特定预测很有用。在explain_type=plain_english 的情况下，它在预测路径中搜索并找到特征值范围。
X = dataset[features].iloc[10] print(X) Pclass 3.0 Age 4.0 Fare 16.7 Sex_label 0.0 Cabin_label 145.0 Embarked_label 2.0 print(explain_prediction_path(tree_classifier, X, feature_names=features, explanation_type="plain_english")) 2.5 <= Pclass Age < 36.5 Fare < 23.35 Sex_label < 0.5
在explain_type=sklearn_default（仅适用于scikit-learn）的情况下，我们可以仅可视化预测路径中涉及的特征的重要性。 特征的重要性是基于杂质的平均减少来计算的。
explain_prediction_path(tree_classifier, X, feature_names=features, explanation_type="sklearn_default")
此外我们还可以自定义颜色，比如：
dtreeviz.trees.dtreeviz(regr,
boston.data,
boston.target,
target_name='price',
feature_names=boston.feature_names,
colors={'scatter_marker': '#00ff00'})
到此这篇关于python工具dtreeviz决策树可视化和模型可解释性的文章就介绍到这了,更多相关python工具dtreeviz内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！
相关文章
闭包是优雅的 Python 结构,在本文中,我们将了解它们,如何定义闭包,为什么以及何时使用它们.但是在讨论什么是闭包之前,我们必须首先理解什么是嵌套函数,以及作用域规则是如何为它们工作的.那么让我们开始吧,需要的朋友可以参考下2021-06-06
PyCharm Terminal终端命令行Shell设置方式
这篇文章主要介绍了PyCharm Terminal终端命令行Shell设置方式，具有很好的参考价值，希望对大家有所帮助。如有错误或未考虑完全的地方，望不吝赐教2023-01-01
Python 提供了一个解析命令行参数的标准库 argparse，可以让我们轻松编写用户友好的命令行接口，接下来我们就来详细介绍一下argparse 的使用方法吧2023-06-06
在本篇内容里小编给大家分享了关于python3爬虫怎样构建请求header的知识点，需要的朋友们学习下。2018-12-12
在本篇文章里小编给大家整理了关于下载官网python并安装的步骤详解，需要的朋友们参考学习下。2019-10-10
Django提供了一个基于Python Web框架的Web框架，允许快速开发和干净，务实的设计。在本教程中，我们将学习如何创建一个使用Django作为后端的天气应用程序，感兴趣的可以尝试一下2022-10-10
今天小编就为大家分享一篇关于用Django写天气预报查询网站的文章，小编觉得内容挺不错的，现在分享给大家，具有很好的参考价值，需要的朋友一起跟随小编来看看吧2018-10-10
这篇文章主要介绍了python访问sqlserver示例,需要的朋友可以参考下2014-02-02
这篇文章主要为大家详细介绍了python实现五子棋程序，文中示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下2020-04-04
在本文中我们给大家总结了关于linux安装python修改默认python版本的方法和相关知识点，需要的读者们参考下。2019-03-03
最新评论