原文链接：http://tecdat.cn/?p=27050
随机森林是决策树的集合。在这篇文章中，我将向您展示如何从随机森林中可视化决策树（点击文末“阅读原文”获取完整代码数据）。
相关视频
首先让我们在房价数据集（查看文末了解数据获取方式）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)让我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 。我们可以检查列表的长度，它应该等于 n_estiamtors 值。
len(estimators_)>>> 100
我们可以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，无法在一个图中将其可视化。
点击标题查阅往期内容
左右滑动查看更多
让我们检查随机森林中第一棵树的深度：
tree_.max_depth>>> 16
我们的第一棵树有 max_depth=16. 其他树也有类似的深度。为了使可视化具有可读性，最好限制树的深度。让我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\_\[0\])我们可以可视化第一个决策树：
viz概括
我将向您展示如何可视化随机森林中的单个决策树。可以通过 estimators_ 列表中的整数索引访问树。有时当树太深时，值得用 max_depth 超参数限制树的深度。
数据获取
在下面公众号后台回复“房价数据”，可获取完整数据。
本文中分析的数据、代码分享到会员群，扫描下面二维码即可加群！
点击文末“阅读原文”
获取全文完整资料。
本文选自《Python在Scikit-Learn可视化随机森林中的决策树分析房价数据》。
点击标题查阅往期内容
