sklearn.tree.plot_tree

sklearn.tree.plot_tree是一个函数，用于绘制决策树的图形化表示。该函数可以显示多个属性，例如节点的划分标准、每个节点的样本数量、每个节点分配给每个类别的样本数量以及节点的深度等信息。

相关问题

sklearn.tree.plot_tree的参数

`sklearn.tree.plot_tree`是一个绘制决策树图形的函数。以下是该函数的一些主要参数：

- `decision_tree`：必需，决策树分类器对象，即训练好的决策树模型。

- `max_depth`：可选，整数类型，表示要绘制的树的最大深度。如果为`None`，则绘制完整的树。默认值为`None`。

- `feature_names`：可选，特征名称的列表。如果提供了特征名称，则绘制的树节点将使用特征名称而不是特征索引进行标记。

- `class_names`：可选，类别名称的列表。如果提供了类别名称，则绘制的树节点将使用类别名称而不是类别索引进行标记。

- `filled`：可选，布尔类型，表示是否要用不同的颜色对不同类别的叶子节点进行填充。默认为`False`。

- `fontsize`：可选，整数类型，表示文本的字体大小。默认值为`None`。

- `rounded`：可选，布尔类型，表示是否要将树节点绘制成圆角矩形。默认为`False`。

- `rotate`：可选，布尔类型，表示是否要将树节点旋转为水平方向。默认为`False`。

- `ax`：可选，Matplotlib轴对象。如果提供了轴对象，则在该轴上绘制树。如果未提供，则创建一个新的轴。

使用这些参数，你可以自定义绘制的决策树图形的样式和显示方式。

调用sklearn.tree.plot_tree函数绘制决策树

以下是使用sklearn.tree.plot_tree函数绘制决策树的示例代码：

from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier
from sklearn.tree import plot_tree

# 加载鸢尾花数据集
iris = load_iris()
X = iris.data
y = iris.target

# 创建决策树模型
clf = DecisionTreeClassifier(random_state=0)
clf.fit(X, y)

# 绘制决策树
plot_tree(clf)

运行该代码将会绘制出如下所示的决策树：

            X[3] <= 0.8
            /         \
     (class: 0)      X[2] <= 4.75
                      /         \
                 (class: 1)      (class: 2)