Scikit-Learn 결정 트리에서 결정 규칙을 추출하는 방법은 무엇입니까?

Scikit-Learn 결정 트리에서 결정 규칙 추출

널리 사용되는 기계 학습 알고리즘인 결정 트리는 의사 결정을 모델링하여 통찰력을 제공합니다. 규칙의 계층적 구조로 처리됩니다. 그러나 이러한 결정 규칙을 명시적으로 추출하는 것은 어려울 수 있습니다. 이 문서에서는 훈련된 Scikit-Learn 결정 트리에서 텍스트 결정 규칙을 추출하는 포괄적인 접근 방식을 설명합니다.

결정 규칙 추출을 위한 Python 코드

다음 Python 코드 조각은 다음을 활용합니다. Scikit-Learn 의사결정 트리의 기본 데이터 구조를 탐색하여 사람이 읽을 수 있는 의사결정 경로를 생성합니다.

from sklearn.tree import _tree

def tree_to_code(tree, feature_names):
    tree_ = tree.tree_
    feature_name = [
        feature_names[i] if i != _tree.TREE_UNDEFINED else "undefined!"
        for i in tree_.feature
    ]
    print("def tree({}):".format(", ".join(feature_names)))

    def recurse(node, depth):
        indent = "  " * depth
        if tree_.feature[node] != _tree.TREE_UNDEFINED:
            name = feature_name[node]
            threshold = tree_.threshold[node]
            print("{}if {}  {}".format(indent, name, threshold))
            recurse(tree_.children_right[node], depth + 1)
        else:
            print("{}return {}".format(indent, tree_.value[node]))

    recurse(0, 1)

유효한 Python 함수 만들기

이 코드는 트리를 재귀적으로 사용하여 각 조건부 분할 및 임계값을 인쇄합니다. 그 결과는 훈련된 의사결정 트리의 의사결정 프로세스를 효과적으로 에뮬레이션하는 유효한 Python 함수입니다.

출력 예

예를 들어, 0에서 10 사이의 숫자를 입력으로 반환합니다. 생성된 Python 함수는 다음과 같습니다.

def tree(f0):
  if f0  1.5
      if f0  3.5
          return [[ 4.]]
      else:  # if f0 > 4.5
        return [[ 5.]]
  else:  # if f0 > 6.0
    if f0  7.5
        return [[ 8.]]
    else:  # if f0 > 8.5
      return [[ 9.]]

이점 및 주의 사항

이 방법은 명확하고 트리의 결정 규칙에 대한 테스트 가능한 표현입니다. 그러나 코드에서는 트리의 각 노드가 이진 결정 노드라고 가정합니다. 의사결정 트리에 비바이너리 의사결정 노드가 포함된 경우 이에 따라 코드를 조정해야 합니다.

위 내용은 Scikit-Learn 결정 트리에서 결정 규칙을 추출하는 방법은 무엇입니까?의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!