标签：python matplotlib graphviz numpy scikit-learn
我试图从scikit-learn ensemble打印出森林的决策树：例如对于DecisionTreeClassifier,我会使用：
from sklearn import tree
clf = tree.DecisionTreeClassifier( criterion ='entropy', max_depth = 3,
min_samples_leaf =
clf = clf.fit( X_train, y_train) #Input this to analyze the training set.
import pydot, StringIO
dot_data = StringIO.StringIO()
tree.export_graphviz( clf, out_file = dot_data,
feature_names =[' age', 'sex', 'first_class', 'second_class', 'third_class'])
graph = pydot.graph_from_dot_data( dot_data.getvalue())
graph.write_png('visualtree.png')
from IPython.core.display import Image
Image( filename =visualtree.png')
我为Random Forest Regressor尝试了类似的方法(见下文并得到错误)
# Fit regression model
from sklearn.ensemble import RandomForestRegressor
rfr_1 = RandomForestRegressor(n_estimators=10, max_depth=5)
rfr_1.fit(X, y)
from sklearn.ensemble import*
import pydot, StringIO
dot_data = StringIO.StringIO()
ensemble.export_graphviz( rf1, out_file = dot_data,
feature_names =[' Temperature', 'Translator Bacteria'])
graph = pydot.graph_from_dot_data( dot_data.getvalue())
graph.write_png('fish.png')
from IPython.core.display import Image
图片(filename =’fish.png’)
文件“randomforestregressor.py”,第45行,in
ensemble.export_graphviz(rf1,out_file = dot_data,
NameError：未定义名称’ensemble’
我怎么做到这一点？谢谢！
解决方法:
错误消息非常明确：
在ensemble.export_graphviz文件“randomforestregressor.py”第45行(rf1,out_file = dot_data,
NameError：未定义名称’ensemble’
您可以在脚本行45中访问名为ensemble的变量,但是您永远不会定义这样的变量.在您的情况下,您可能希望该变量指向sklearn.ensemble包：
来自sklearn import ensemble
但是,如果这样做,您可能会得到一个AttributeError,因为sklearn.ensemble包没有export_graphviz函数.
相反,您可能想要做的是通过遍历rfr_1.estimators_列表的元素并在每个树上调用sklearn.tree包的export_graphviz方法,在林中为每个树生成一个图像.
然而,在实践中,显示森林的树木通常是无用的.从业者通常会建造具有数百或数千棵树的随机森林,以获得良好的预测准确性.在这种情况下,目视检查许多树是不切实际的.
标签：python,matplotlib,graphviz,numpy,scikit-learn 来源： https://codeday.me/bug/20190529/1175547.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。