导出文本

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

构建一个文本报告，显示决策树的规则。

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，默认为 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”……）。

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

目标类别名称，按数字升序排列。仅与分类相关，多输出不支持。

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

• 否则，class_names将用作类别名称，而不是decision_tree.classes_。class_names的长度必须与decision_tree.classes_的长度匹配。

1.3 版本新增。

max_depthint，默认值=10

仅导出树的前 max_depth 层级。截断的分支将用“…”标记。

spacingint，默认值=3

边之间空格的数量。数值越高，结果越宽。

decimalsint，默认值=2

显示的小数位数。

show_weightsbool，默认值=False

如果为真，则每个叶子节点将导出分类权重。分类权重是每个类别的样本数。

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