持续创作，加速成长！这是我参与「掘金日新计划 · 6 月更文挑战」的第10天，点击查看活动详情\
===
原文链接：tecdat.cn/?p=27050
原文出处：拓端数据部落公众号
随机森林是决策树的集合。在这篇文章中，我将向您展示如何从随机森林中可视化决策树。
视频：从决策树到随机森林：R语言信用卡违约分析信贷数据实例
从决策树到随机森林：R语言信用卡违约分析信贷数据实例
，时长10:11
首先让我们在房价数据集上训练随机森林模型。
加载数据并训练随机森林。
X = pd.DataFrame(data, columns=feature_names)
让我们将森林中的树数设置为 100：
RandomForestRegressor(n_estimators=100)
决策树存储在 模型list 中的 estimators_ 属性中 rf 。我们可以检查列表的长度，它应该等于 n_estiamtors 值。
len(estimators_)>>> 100
我们可以从随机森林中绘制第一棵决策树（ 0 列表中有索引）：
plot_tree(rf.estimators_[0])
这棵树太大，无法在一个图中将其可视化。
让我们检查随机森林中第一棵树的深度：
tree_.max_depth>>> 16
我们的第一棵树有 max_depth=16. 其他树也有类似的深度。为了使可视化具有可读性，最好限制树的深度。让我们再次训练随机森林 max_depth=3。
第一个决策树的可视化图：
plot_tree(rf.estimators_[0])
我们可以可视化第一个决策树：
viz
概括
我将向您展示如何可视化随机森林中的单个决策树。可以通过 estimators_ 列表中的整数索引访问树。有时当树太深时，值得用 max_depth 超参数限制树的深度。
最受欢迎的见解
1.PYTHON用户流失数据挖掘：建立逻辑回归、XGBOOST、随机森林、决策树、支持向量机、朴素贝叶斯模型和KMEANS聚类用户画像
3.python中使用scikit-learn和pandas决策树
7.用机器学习识别不断变化的股市状况——隐马尔可夫模型的应用