export_text

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

生成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_names形状为 (n_features,) 的类数组，默认=None

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

class_names形状为 (n_classes,) 的类数组，默认=None

按数值升序排列的每个目标类别的名称。仅与分类相关，且不支持多输出。

• 如果 None，类别名称将委托给 decision_tree.classes_；

• 否则，class_names 将被用作类别名称，而不是 decision_tree.classes_。class_names 的长度必须与 decision_tree.classes_ 的长度相匹配。

在版本 1.3 中新增。

max_depthint，默认=10

仅导出树的前 max_depth 层。被截断的分支将标记为“...”。

spacingint，默认=3

边缘之间的空格数。数值越大，结果越宽。

decimalsint，默认=2

要显示的小数位数。

show_weightsbool，默认=False

如果为 true，分类权重将在每个叶节点上导出。分类权重是每个类别的样本数量。

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