原文链接：http://tecdat.cn/?p=27050
随机森林是决策树的汇合。在这篇文章中，我将向您展现如何从随机森林中可视化决策树。
首先让咱们在房价数据集上训练随机森林模型。
加载数据并训练随机森林。
X = pd.DataFrame(data, columns=feature_names)让咱们将森林中的树数设置为 100：
RandomForestRegressor(n_estimators=100) 决策树存储在 模型 list 中的 estimators_ 属性中 rf。咱们能够查看列表的长度，它应该等于 n_estiamtors 值。
len(estimators_)
>>> 100 咱们能够从随机森林中绘制第一棵决策树（0 列表中有索引）：
plot\_tree(rf.estimators\_\[0\])
这棵树太大，无奈在一个图中将其可视化。
让咱们查看随机森林中第一棵树的深度：
tree_.max_depth
>>> 16 咱们的第一棵树有 max_depth=16. 其余树也有相似的深度。为了使可视化具备可读性，最好限度树的深度。让咱们再次训练随机森林 max_depth=3。
第一个决策树的可视化图：
plot\_tree(rf.estimators\_\[0\])
咱们能够可视化第一个决策树：
viz
概括
我将向您展现如何可视化随机森林中的单个决策树。能够通过 estimators_ 列表中的整数索引拜访树。有时当树太深时，值得用 max_depth 超参数限度树的深度。
最受欢迎的见解
1.PYTHON 用户散失数据挖掘：建设逻辑回归、XGBOOST、随机森林、决策树、反对向量机、奢侈贝叶斯模型和 KMEANS 聚类用户画像
2.R 语言基于树的办法：决策树，随机森林
3.python 中应用 scikit-learn 和 pandas 决策树
4. 机器学习：在 SAS 中运行随机森林数据分析报告
5.R 语言用随机森林和文本开掘进步航空公司客户满意度
6. 机器学习助推快时尚精准销售工夫序列
7. 用机器学习辨认一直变动的股市情况——隐马尔可夫模型的利用
8.python 机器学习：举荐零碎实现（以矩阵合成来协同过滤）
9.python 中用 pytorch 机器学习分类预测银行客户散失