理解决策树结构#
可以分析决策树结构以进一步了解特征和要预测的目标之间的关系。在本例中,我们将展示如何检索
二叉树结构;
每个节点的深度以及它是否是叶子;
使用
decision_path
方法到达的节点;使用 apply 方法到达的叶子;
用于预测样本的规则;
一组样本共享的决策路径。
import numpy as np
from matplotlib import pyplot as plt
from sklearn import tree
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
训练树分类器#
首先,我们使用 DecisionTreeClassifier
拟合 load_iris
数据集。
iris = load_iris()
X = iris.data
y = iris.target
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)
clf = DecisionTreeClassifier(max_leaf_nodes=3, random_state=0)
clf.fit(X_train, y_train)
树结构#
决策分类器有一个名为 tree_
的属性,它允许访问低级属性,例如 node_count
(节点总数)和 max_depth
(树的最大深度)。tree_.compute_node_depths()
方法计算树中每个节点的深度。 tree_
还存储整个二叉树结构,表示为多个并行数组。每个数组的第 i 个元素包含有关节点 i
的信息。节点 0 是树的根节点。一些数组仅适用于叶节点或分裂节点。在这种情况下,另一种类型节点的值是任意的。例如,数组 feature
和 threshold
仅适用于分裂节点。因此,这些数组中叶节点的值是任意的。
在这些数组中,我们有
children_left[i]
:节点i
的左子节点的 ID,如果为叶节点则为 -1
children_right[i]
:节点i
的右子节点的 ID,如果为叶节点则为 -1
feature[i]
:用于分裂节点i
的特征
threshold[i]
:节点i
的阈值
n_node_samples[i]
:到达节点i
的训练样本数量
impurity[i]
:节点i
的杂质
weighted_n_node_samples[i]
:到达节点i
的加权训练样本数量
value[i, j, k]
:到达节点 i 的训练样本的摘要,用于输出 j 和类别 k(对于回归树,类别设置为 1)。
使用这些数组,我们可以遍历树结构以计算各种属性。下面,我们将计算每个节点的深度以及它是否为叶节点。
n_nodes = clf.tree_.node_count
children_left = clf.tree_.children_left
children_right = clf.tree_.children_right
feature = clf.tree_.feature
threshold = clf.tree_.threshold
values = clf.tree_.value
node_depth = np.zeros(shape=n_nodes, dtype=np.int64)
is_leaves = np.zeros(shape=n_nodes, dtype=bool)
stack = [(0, 0)] # start with the root node id (0) and its depth (0)
while len(stack) > 0:
# `pop` ensures each node is only visited once
node_id, depth = stack.pop()
node_depth[node_id] = depth
# If the left and right child of a node is not the same we have a split
# node
is_split_node = children_left[node_id] != children_right[node_id]
# If a split node, append left and right children and depth to `stack`
# so we can loop through them
if is_split_node:
stack.append((children_left[node_id], depth + 1))
stack.append((children_right[node_id], depth + 1))
else:
is_leaves[node_id] = True
print(
"The binary tree structure has {n} nodes and has "
"the following tree structure:\n".format(n=n_nodes)
)
for i in range(n_nodes):
if is_leaves[i]:
print(
"{space}node={node} is a leaf node with value={value}.".format(
space=node_depth[i] * "\t", node=i, value=values[i]
)
)
else:
print(
"{space}node={node} is a split node with value={value}: "
"go to node {left} if X[:, {feature}] <= {threshold} "
"else to node {right}.".format(
space=node_depth[i] * "\t",
node=i,
left=children_left[i],
feature=feature[i],
threshold=threshold[i],
right=children_right[i],
value=values[i],
)
)
The binary tree structure has 5 nodes and has the following tree structure:
node=0 is a split node with value=[[0.33035714 0.30357143 0.36607143]]: go to node 1 if X[:, 3] <= 0.800000011920929 else to node 2.
node=1 is a leaf node with value=[[1. 0. 0.]].
node=2 is a split node with value=[[0. 0.45333333 0.54666667]]: go to node 3 if X[:, 2] <= 4.950000047683716 else to node 4.
node=3 is a leaf node with value=[[0. 0.91666667 0.08333333]].
node=4 is a leaf node with value=[[0. 0.02564103 0.97435897]].
这里使用的 values 数组是什么?#
tree_.value
数组是一个 3D 数组,形状为 [n_nodes
, n_classes
, n_outputs
],它提供了到达每个节点的样本数量,针对每个类别和每个输出。每个节点都有一个 value
数组,它是到达该节点的加权样本数量,针对每个输出和类别。
例如,在上面基于 iris 数据集构建的树中,根节点具有 value = [37, 34, 41]
,表示根节点有 37 个类别 0 的样本、34 个类别 1 的样本和 41 个类别 2 的样本。遍历树,样本被分割,因此到达每个节点的 value
数组会发生变化。根节点的左子节点具有 value = [37, 0, 0]
,因为左子节点中的所有 37 个样本都来自类别 0。
注意:在本例中,n_outputs=1
,但树分类器也可以处理多输出问题。每个节点的 value
数组将只是一个 2D 数组。
我们可以将上述输出与决策树的图进行比较。
tree.plot_tree(clf)
plt.show()
决策路径#
我们还可以检索感兴趣样本的决策路径。 decision_path
方法输出一个指示矩阵,它允许我们检索感兴趣样本遍历的节点。指示矩阵中位置 (i, j)
的非零元素表示样本 i
遍历节点 j
。或者,对于一个样本 i
,指示矩阵中第 i
行非零元素的位置指定该样本遍历的节点的 ID。
可以使用 apply
方法获取感兴趣样本到达的叶节点 ID。这将返回一个数组,其中包含每个感兴趣样本到达的叶节点的节点 ID。使用叶节点 ID 和 decision_path
,我们可以获取用于预测样本或样本组的分割条件。首先,让我们对一个样本执行此操作。请注意,node_index
是一个稀疏矩阵。
node_indicator = clf.decision_path(X_test)
leaf_id = clf.apply(X_test)
sample_id = 0
# obtain ids of the nodes `sample_id` goes through, i.e., row `sample_id`
node_index = node_indicator.indices[
node_indicator.indptr[sample_id] : node_indicator.indptr[sample_id + 1]
]
print("Rules used to predict sample {id}:\n".format(id=sample_id))
for node_id in node_index:
# continue to the next node if it is a leaf node
if leaf_id[sample_id] == node_id:
continue
# check if value of the split feature for sample 0 is below threshold
if X_test[sample_id, feature[node_id]] <= threshold[node_id]:
threshold_sign = "<="
else:
threshold_sign = ">"
print(
"decision node {node} : (X_test[{sample}, {feature}] = {value}) "
"{inequality} {threshold})".format(
node=node_id,
sample=sample_id,
feature=feature[node_id],
value=X_test[sample_id, feature[node_id]],
inequality=threshold_sign,
threshold=threshold[node_id],
)
)
Rules used to predict sample 0:
decision node 0 : (X_test[0, 3] = 2.4) > 0.800000011920929)
decision node 2 : (X_test[0, 2] = 5.1) > 4.950000047683716)
对于一组样本,我们可以确定样本共同遍历的节点。
sample_ids = [0, 1]
# boolean array indicating the nodes both samples go through
common_nodes = node_indicator.toarray()[sample_ids].sum(axis=0) == len(sample_ids)
# obtain node ids using position in array
common_node_id = np.arange(n_nodes)[common_nodes]
print(
"\nThe following samples {samples} share the node(s) {nodes} in the tree.".format(
samples=sample_ids, nodes=common_node_id
)
)
print("This is {prop}% of all nodes.".format(prop=100 * len(common_node_id) / n_nodes))
The following samples [0, 1] share the node(s) [0 2] in the tree.
This is 40.0% of all nodes.
脚本的总运行时间:(0 分钟 0.090 秒)
相关示例