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）

待我称王封你为后i 2023-09-28 19:23 13阅读 0赞

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')

![3afd5ec5672a415899b936f1cf52f130.png][]  
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。

![de70ad32cc84401a919c2ef3eb58c929.png][]

[3afd5ec5672a415899b936f1cf52f130.png]: https://img-blog.csdnimg.cn/3afd5ec5672a415899b936f1cf52f130.png
[de70ad32cc84401a919c2ef3eb58c929.png]: https://img-blog.csdnimg.cn/de70ad32cc84401a919c2ef3eb58c929.png