export_text#

sklearn.tree.export_text(decision_tree, *, feature_names=None, class_names=None, max_depth=10, spacing=3, decimals=2, show_weights=False)[源码]#

构建一个显示决策树规则的文本报告。

请注意，可能不支持向后兼容性。

参数:

decision_tree对象

要导出的决策树估计器。它可以是 DecisionTreeClassifier 或 DecisionTreeRegressor 的实例。

feature_namesarray-like，形状为 (n_features,)，默认值=None

包含特征名称的数组。如果为 None，将使用通用名称（“feature_0”、“feature_1”等）。

class_namesarray-like，形状为 (n_classes,)，默认值=None

每个目标类按升序排列的名称。仅与分类相关，不支持多输出。

如果为 None，则类名委托给 decision_tree.classes_；
否则，将使用 class_names 作为类名，而不是 decision_tree.classes_。class_names 的长度必须与 decision_tree.classes_ 的长度匹配。

版本 1.3 中新增。

max_depthint，默认值=10

仅导出树的前 max_depth 层。被截断的分支将标记为“…”。

spacingint，默认值=3

边之间的空格数。值越高，结果越宽。

decimalsint，默认值=2

要显示的十进制数字位数。

show_weightsbool，默认值=False

如果为 True，分类权重将导出到每个叶子。分类权重是每个类的样本数。

返回:

reportstr: 决策树中所有规则的文本摘要。

示例

>>> from sklearn.datasets import load_iris
>>> from sklearn.tree import DecisionTreeClassifier
>>> from sklearn.tree import export_text
>>> iris = load_iris()
>>> X = iris['data']
>>> y = iris['target']
>>> decision_tree = DecisionTreeClassifier(random_state=0, max_depth=2)
>>> decision_tree = decision_tree.fit(X, y)
>>> r = export_text(decision_tree, feature_names=iris['feature_names'])
>>> print(r)
|--- petal width (cm) <= 0.80
|   |--- class: 0
|--- petal width (cm) >  0.80
|   |--- petal width (cm) <= 1.75
|   |   |--- class: 1
|   |--- petal width (cm) >  1.75
|   |   |--- class: 2

export_text#

本页