如何从 Scikit-Learn 决策树中提取决策规则？

从 Scikit-Learn 决策树中提取决策规则

决策树是一种广泛使用的机器学习算法，通过建模决策提供见解流程作为规则的层次结构。然而，明确提取这些决策规则可能具有挑战性。本文概述了从经过训练的 Scikit-Learn 决策树中提取文本决策规则的综合方法。

用于决策规则提取的 Python 代码

以下 Python 代码片段使用Scikit-Learn 决策树的底层数据结构，用于遍历并生成人类可读的决策路径：

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)

创建有效的 Python 函数

此代码遍历递归树，打印出每个条件分割和阈值。结果是一个有效的 Python 函数，它有效地模拟了经过训练的决策树的决策过程。

示例输出

例如，考虑一棵树，它尝试返回其输入，一个 0 到 10 之间的数字。生成的 Python 函数如下所示：

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.]]

优点和注意事项

此方法提供了清晰且树的决策规则的可测试表示。但是，请注意，代码假设树中的每个节点都是二元决策节点。如果您的决策树包含非二元决策节点，您将需要相应地调整代码。

以上是如何从 Scikit-Learn 决策树中提取决策规则？的详细内容。更多信息请关注PHP中文网其他相关文章！