plot_tree是首选方案，因其自scikit-learn 0.21起内置、不依赖graphviz、直接用matplotlib渲染，适合快速调试和教学；但树过深或特征过多时易不可读，需配合max_depth、filled、fontsize等参数优化可读性。
为什么 plot_tree 是首选方案
Scikit-learn 自 0.21 版起内置了 plot_tree，它不依赖 Graphviz 或额外安装，直接用 matplotlib 渲染，适合快速调试和教学场景。如果你看到报错 ModuleNotFoundError: No module named 'graphviz' 还硬要走 export_graphviz + graphviz.Source 路线，纯属给自己加戏。
实操建议：
- 确认 scikit-learn ≥ 0.21（
import sklearn; print(sklearn.__version__)） - 确保已安装
matplotlib（pip install matplotlib） - 别在 Jupyter 中跳过
%matplotlib inline—— 否则图可能不显示
plot_tree 的关键参数怎么选
默认输出常是一团黑线，根本看不出分裂逻辑。核心是控制信息密度和可读性：
-
max_depth=3：限制树深度，避免节点爆炸；设为None会画整棵树，但大概率糊成一片 -
filled=True：按类别或值上色，一眼识别纯度高的叶子节点 -
feature_names和class_names必须传入列表（不是 numpy array），否则标签显示为feature_0这类编号 -
fontsize=10：默认太小，尤其导出 PNG 时文字几乎不可读；12–14 更稳妥 -
rounded=True和precision=2提升可读性，让数字和边框更友好
示例：
python-script-generator
下载
快速生成专业的 Python 脚本和应用代码。一键创建完整项目结构，支持CLI、API、爬虫、Bot、Django等多种项目类型，包含完整的项目结构、配置文件、依赖管理、测试、README和文档。
from sklearn.tree import plot_tree<br>plot_tree(clf, max_depth=2, filled=True, feature_names=iris.feature_names,<br> class_names=iris.target_names, fontsize=12, rounded=True, precision=2)
导出图片时容易踩的坑
直接调 plt.show() 只能在交互环境看，没法存图或嵌入报告。正确做法是显式调用 plt.savefig()：
- 必须在
plot_tree()后、plt.show()前调用savefig，否则保存的是空白图 - 路径含中文或空格？会静默失败 —— 改用英文路径，如
"tree_output.png" - 图片裁切？加
bbox_inches='tight'参数，否则边缘文字被截断 - DPI 不够？PDF 导出模糊？加
dpi=300（屏幕显示 150 足够，论文投稿建议 300）
完整导出代码：
import matplotlib.pyplot as plt<br>plt.figure(figsize=(12, 8))<br>plot_tree(...)<br>plt.savefig("decision_tree.png", bbox_inches='tight', dpi=300)
什么时候不该用 plot_tree
树太深（比如 max_depth > 5）、特征太多（>20 列）、样本量极大（>10k）时，plot_tree 渲染缓慢且结果不可读。这时该换思路：
- 用
clf.tree_.feature和clf.tree_.threshold手动提取分裂规则，生成文本结构图 - 对高维数据，先用
feature_importances_筛出 top-5 特征，再重训一棵简化树可视化 - 需要交互探索？考虑用
dtreeviz库（pip install dtreeviz），支持缩放、悬停查看统计量，但需额外依赖
真正卡住的往往不是“怎么画”，而是“该画哪棵”。训练前想清楚：这棵树是用来解释模型，还是仅作中间验证？前者必须控制复杂度，后者可以关掉 max_depth 任其生长。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
