本站原创文章，转载请说明来自《老饼讲解-机器学习》ml.bbbdata.com

sklearn中，训练完决策树后，将决策树可视化，

更容易帮助我们了解模型的训练结果。

本文讲解如何通过graphviz的方式，将决策树可视化。

  01. graphviz安装  

决策树图形化 需要先通过pip安装graphviz包： pip install graphviz

  02. 参考Demo代码  

在安装了graphviz后，就可以可视化决策树了，下面的Demo代码：

from sklearn.datasets import load_iris
from sklearn import tree
import graphviz 

#----------------数据准备----------------------------
iris = load_iris()                          # 加载数据

#---------------模型训练----------------------------------
clf = tree.DecisionTreeClassifier()         # sk-learn的决策树模型
clf = clf.fit(iris.data, iris.target)       # 用数据训练树模型构建()
r = tree.export_text(clf, feature_names=iris['feature_names'])
dot_data = tree.export_graphviz(clf, out_file=None, 
                     feature_names=iris.feature_names,  
                     class_names=iris.target_names,  
                      filled=True, rounded=True,  
                      special_characters=True)  
graph = graphviz.Source(dot_data)  
graph   #显示图形。（如果没显示，则需要独立运行这一句）
#graph.render("iris") #将图形保存为iris.pdf文件。
#graph.view()        # 直接打开pdf文件展示

备注：
（1）如果报错 failed to execute ['dot', '-Tsvg'], make sure the Graphviz executables are on your systems' PATH，请查看《运行graphviz报错解决方案》
 （2）如果没显示以下图形，则独立运行最后一句 graph
（3）保存成PDF文件，则独立运行graph.render("iris")

   03. 运行结果  

运行后得到如下决策树图

通过图形化，我们可以清晰的看到： 
初始根节点有150个样本，
每个类别各有50个样本。
gini系数为0.667，
节点属于setosa类别 。

根节点以petal_length<=2.45划为左节点，
共50个样本，
全部第1类。
该节点极纯，gini系数为0。
 根据这50个样本所属类别，该节点被判为setosa.

根节点petal_length>2.45划为右节点，
共100个样本，
2类和3类各50个。
该节点gini系数为0.5
（即随便抽两个样本，属于不同类别的可能性为0.5）
根据这100个样本，该节点被判为versicolor类。
.......

画出图后，可以清晰看到整个树的构建过程和树最后的结构，便于我们分析模型和模型优化。

 End