export_text

sklearn.tree.export_text(decision_tree, *, feature_names=None, class_names=None, max_depth=10, spacing=3, decimals=2, show_weights=False)

Erstellt einen Textbericht, der die Regeln eines Entscheidungsbaums zeigt.

Beachten Sie, dass die Abwärtskompatibilität möglicherweise nicht unterstützt wird.

Parameter:

decision_treeobject

Der zu exportierende Entscheidungsbaum-Schätzer. Es kann eine Instanz von DecisionTreeClassifier oder DecisionTreeRegressor sein.

feature_namesarray-like der Form (n_features,), Standardwert=None

Ein Array mit den Feature-Namen. Wenn None, werden generische Namen verwendet ("feature_0", "feature_1", ...).

class_namesarray-like der Form (n_classes,), Standardwert=None

Namen jeder der Zielklassen in aufsteigender numerischer Reihenfolge. Nur für Klassifikation relevant und nicht für Multi-Output unterstützt.

• Wenn None, werden die Klassennamen an decision_tree.classes_ delegiert;

• andernfalls werden class_names anstelle von decision_tree.classes_ als Klassennamen verwendet. Die Länge von class_names muss mit der Länge von decision_tree.classes_ übereinstimmen.

Hinzugefügt in Version 1.3.

max_depthint, Standardwert=10

Nur die ersten max_depth Ebenen des Baumes werden exportiert. Trunkierte Zweige werden mit "..." markiert.

spacingint, Standardwert=3

Anzahl der Leerzeichen zwischen den Kanten. Je höher der Wert, desto breiter das Ergebnis.

decimalsint, Standardwert=2

Anzahl der anzuzeigenden Dezimalstellen.

show_weightsbool, Standardwert=False

Wenn true, werden die Klassifikationsgewichte an jedem Blatt exportiert. Die Klassifikationsgewichte sind die Anzahl der Stichproben pro Klasse.

Gibt zurück:

reportstr

Textzusammenfassung aller Regeln im Entscheidungsbaum.

Beispiele

>>> from sklearn.datasets import load_iris
>>> from sklearn.tree import DecisionTreeClassifier
>>> from sklearn.tree import export_text
>>> iris = load_iris()
>>> X = iris['data']
>>> y = iris['target']
>>> decision_tree = DecisionTreeClassifier(random_state=0, max_depth=2)
>>> decision_tree = decision_tree.fit(X, y)
>>> r = export_text(decision_tree, feature_names=iris['feature_names'])
>>> print(r)
|--- petal width (cm) <= 0.80
|   |--- class: 0
|--- petal width (cm) >  0.80
|   |--- petal width (cm) <= 1.75
|   |   |--- class: 1
|   |--- petal width (cm) >  1.75
|   |   |--- class: 2