如何在python中提取随机森林的决策规则答案

【问题标题】：how extraction decision rules of random forest in python如何在python中提取随机森林的决策规则
【发布时间】：2018-11-09 01:11:27
【问题描述】：

我有一个问题。我从某人那里听说，在 R 中，您可以使用额外的包来提取在 RF 中实现的决策规则，我尝试在 python 中搜索相同的东西，但没有运气，如果对如何实现这一点有任何帮助。提前致谢！

【问题讨论】：

标签： machine-learning scikit-learn deep-learning random-forest decision-tree

【解决方案1】：

假设您使用 sklearn RandomForestClassifier，您可以找到单个决策树为 .estimators_。每棵树将决策节点存储为tree_ 下的多个 NumPy 数组。

这里是一些示例代码，它只是按数组的顺序打印每个节点。在一个典型的应用程序中，我们会通过跟随孩子来遍历。

import numpy
from sklearn.model_selection import train_test_split
from sklearn import metrics, datasets, ensemble

def print_decision_rules(rf):

    for tree_idx, est in enumerate(rf.estimators_):
        tree = est.tree_
        assert tree.value.shape[1] == 1 # no support for multi-output

        print('TREE: {}'.format(tree_idx))

        iterator = enumerate(zip(tree.children_left, tree.children_right, tree.feature, tree.threshold, tree.value))
        for node_idx, data in iterator:
            left, right, feature, th, value = data

            # left: index of left child (if any)
            # right: index of right child (if any)
            # feature: index of the feature to check
            # th: the threshold to compare against
            # value: values associated with classes            

            # for classifier, value is 0 except the index of the class to return
            class_idx = numpy.argmax(value[0])

            if left == -1 and right == -1:
                print('{} LEAF: return class={}'.format(node_idx, class_idx))
            else:
                print('{} NODE: if feature[{}] < {} then next={} else next={}'.format(node_idx, feature, th, left, right))    


digits = datasets.load_digits()
Xtrain, Xtest, ytrain, ytest = train_test_split(digits.data, digits.target)
estimator = ensemble.RandomForestClassifier(n_estimators=3, max_depth=2)
estimator.fit(Xtrain, ytrain)

print_decision_rules(estimator)

输出示例：

TREE: 0
0 NODE: if feature[33] < 2.5 then next=1 else next=4
1 NODE: if feature[38] < 0.5 then next=2 else next=3
2 LEAF: return class=2
3 LEAF: return class=9
4 NODE: if feature[50] < 8.5 then next=5 else next=6
5 LEAF: return class=4
6 LEAF: return class=0
...

我们在 emtrees 中使用类似的东西将随机森林编译为 C 代码。

【讨论】：