决策树可视化方法与技巧汇总（2）（回归决策树）（含Python代码示例）

前文已经介绍了决策树分类示例，接下来需要的看下决策树回归：

分类决策树的可视化案例见我之前的文章：

https://blog.csdn.net/wzk4869/article/details/126248859?spm=1001.2014.3001.5501

from sklearn import tree
from sklearn.datasets import load_boston
from dtreeviz.trees import dtreeviz

boston = load_boston()
graph = tree.DecisionTreeRegressor(max_depth=3)
graph.fit(boston.data, boston.target)
viz = dtreeviz(graph,
               x_data=boston.data,
               y_data=boston.target,
               target_name='price',
               feature_names=boston.feature_names,
               title="Decision Tree - Boston housing",
               show_node_labels=True)
viz.save('dtreeviz.svg')

我们研究下分类树和回归树之间的区别。这一次不是直方图，而是检查用于分割和目标的特征散点图。我们在这些散点图上，看到一些虚线。其解释如下：

1.水平线是决策节点中左右边的目标平均值。

2.垂直线是分割点。它与黑色三角形表示的信息完全相同。

在叶节点中，虚线表示叶内目标的平均值，这也是模型的预测。我们可以更进一步，只绘制用于预测的节点。为此，我们指定show_just_path=True。下图仅显示上面树中选定的节点。

最后

以上就是专一乐曲最近收集整理的关于决策树可视化方法与技巧汇总（2）（回归决策树）（含Python代码示例）的全部内容，更多相关决策树可视化方法与技巧汇总（2）（回归决策树）（含Python代码示例）内容请搜索靠谱客的其他文章。