如何使决策树规则更易于理解？
How to make Decision Tree rules more understandable?
我想从 Decision Trees/Random Forest 中提取有用的规则，以便开发一种更适用的方法来处理规则和预测。所以我需要一个让规则更容易理解的应用程序。
对我的目的有什么建议（例如可视化、验证方法等）吗？
就为什么选择特定拆分而言，答案总是："Because that split created the best splitting of the target variable."
您引用了 scikit-learn... Go ahead and briefly scan scikit-learn's documentation on Decision Trees... 它有一个示例，这正是您在页面中间所要求的。它看起来像这样：
生成此图的代码也在那里：
from sklearn.datasets import load_iris
from sklearn import tree
iris = load_iris()
clf = tree.DecisionTreeClassifier()
clf = clf.fit(iris.data, iris.target)
from sklearn.externals.six import StringIO
with open("iris.dot", 'w') as f:
f = tree.export_graphviz(clf, out_file=f)
还有其他几个图形表示也有附带的代码：
SKL 文档通常很棒并且非常有用。
希望对您有所帮助！
虽然这对于决策树来说当然是可能的，而且 AN6U5 很好地描述了如何做，但随机森林使用一束小树，这些小树是使用数据的随机子集和特征的随机子集训练的。因此，每棵树仅在有限的特征和数据设置中是最优的。由于通常有 100 甚至 1000 个，因此通过检查随机数据来弄清楚上下文将是一项吃力不讨好的任务。我认为没有人这样做。
然而，随机森林生成的特征有重要性排名，如果需要，几乎所有实现都会输出它们。事实证明它们非常有用。
其中两个最重要的是 MDI（平均降低杂质）和 MDA（平均降低精度）。在这部优秀作品的第 6 章中对它们进行了一些详细描述：http://arxiv.org/pdf/1407.7502v3.pdf
我想从 Decision Trees/Random Forest 中提取有用的规则，以便开发一种更适用的方法来处理规则和预测。所以我需要一个让规则更容易理解的应用程序。
对我的目的有什么建议（例如可视化、验证方法等）吗？
就为什么选择特定拆分而言，答案总是："Because that split created the best splitting of the target variable."
您引用了 scikit-learn... Go ahead and briefly scan scikit-learn's documentation on Decision Trees... 它有一个示例，这正是您在页面中间所要求的。它看起来像这样：
生成此图的代码也在那里：
from sklearn.datasets import load_iris
from sklearn import tree
iris = load_iris()
clf = tree.DecisionTreeClassifier()
clf = clf.fit(iris.data, iris.target)
from sklearn.externals.six import StringIO
with open("iris.dot", 'w') as f:
f = tree.export_graphviz(clf, out_file=f)
还有其他几个图形表示也有附带的代码：
SKL 文档通常很棒并且非常有用。
希望对您有所帮助！
虽然这对于决策树来说当然是可能的，而且 AN6U5 很好地描述了如何做，但随机森林使用一束小树，这些小树是使用数据的随机子集和特征的随机子集训练的。因此，每棵树仅在有限的特征和数据设置中是最优的。由于通常有 100 甚至 1000 个，因此通过检查随机数据来弄清楚上下文将是一项吃力不讨好的任务。我认为没有人这样做。
然而，随机森林生成的特征有重要性排名，如果需要，几乎所有实现都会输出它们。事实证明它们非常有用。
其中两个最重要的是 MDI（平均降低杂质）和 MDA（平均降低精度）。在这部优秀作品的第 6 章中对它们进行了一些详细描述：http://arxiv.org/pdf/1407.7502v3.pdf