有助于理解模型的实用工具
这是完整的代码：只需复制并粘贴到Jupyter Notebook或Python脚本中，替换为您的数据并运行：
from sklearn.datasets import load_iris
iris = load_iris()
# 模型（也可以使用单一决策树）
from sklearn.ensemble import RandomForestClassifier
model = RandomForestClassifier(n_estimators=10)
# Train
model.fit(iris.data, iris.target)
# 提取单一的树
estimator = model.estimators_[5]
from sklearn.tree import export_graphviz
# Export as dot file
export_graphviz(estimator, out_file='tree.dot',
feature_names = iris.feature_names,
class_names = iris.target_names,
rounded = True, proportion = False,
precision = 2, filled = True)
# 使用系统命令转换为png（需要Graphviz）
from subprocess import call
call(['dot', '-Tpng', 'tree.dot', '-o', 'tree.png', '-Gdpi=600'])
# 显示在jupyter笔记本
from IPython.display import Image
Image(filename = 'tree.png')用于可视化决策树并保存为png的代码（在GitHub上）。
最终结果是一个完整的决策树作为图像。
Iris数据集的决策树
代码说明
- 创建模型训练和提取：我们可以使用单个决策树，但由于我经常使用随机森林进行建模，因此在本例中使用了它。（树木会彼此略有不同！）。
from sklearn.ensemble import RandomForestClassifier
model = RandomForestClassifier(n_estimators=10)
# Train
model.fit(iris.data, iris.target)
# Extract single tree
estimator = model.estimators_[5]2.将树导出为.dot文件：这将使用export_graphvizScikit-Learn 中的功能。这里有许多参数可以控制显示的外观和信息。请查看文档以了解具体信息。
from sklearn.tree import export_graphviz
# Export as dot file
export_graphviz(estimator_limited,
out_file='tree.dot',
feature_names = iris.feature_names,
class_names = iris.target_names,
rounded = True, proportion = False,
precision = 2, filled = True)3.转换dot为png使用系统命令：在Python中运行系统命令可以方便执行简单任务。这需要安装包含dot实用程序的graphviz。有关转换的完整选项，请查看文档。
# Convert to png
from subprocess import call
call(['dot', '-Tpng', 'tree.dot', '-o', 'tree.png', '-Gdpi=600'])4.可视化：Jupyter笔记本中出现最佳可视化效果。（等效地，您可以matplotlib用来显示图像）。
# Display in jupyter notebook
from IPython.display import Image
Image(filename = 'tree.png')注意事项
随机森林，每棵树将以不同的方式建造。我使用这些图像来显示决策树（以及随后的随机森林）背后的推理，而不是具体细节。
当您拥有许多功能时，限制树木的最大深度会很有帮助。否则，你最终会看到巨大的树木，看起来令人印象深刻，但根本无法解释！这是一个包含50个功能的完整示例。
结论
机器学习仍然存在黑盒问题，一个图像无法解决问题！尽管如此，查看单个决策树会向我们展示这个模型（和随机森林）不是一个无法解释的方法，而是一系列逻辑问题和答案 - 就像我们在做出预测时所形成的那样。您可以随意使用和修改此代码以获取数据。
与往常一样，我欢迎反馈，建设性批评和听取您的数据科学项目。