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。
首先让我们在房价数据集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。
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。
最受欢迎的见解
1.PYTHON用户流失数据挖掘：建立逻辑回归、XGBOOST、随机森林、决策树、支持向量机、朴素贝叶斯模型和KMEANS聚类用户画像
2.R语言基于树的方法：决策树，随机森林
3.python中使用scikit-learn和pandas决策树
4.机器学习：在SAS中运行随机森林数据分析报告
5.R语言用随机森林和文本挖掘提高航空公司客户满意度
6.机器学习助推快时尚精准销售时间序列
7.用机器学习识别不断变化的股市状况——隐马尔可夫模型的应用
8.python机器学习：推荐系统实现（以矩阵分解来协同过滤）
9.python中用pytorch机器学习分类预测银行客户流失
