Scikit-Learn 결정 트리에서 결정 규칙 추출
널리 사용되는 기계 학습 알고리즘인 결정 트리는 의사 결정을 모델링하여 통찰력을 제공합니다. 규칙의 계층적 구조로 처리됩니다. 그러나 이러한 결정 규칙을 명시적으로 추출하는 것은 어려울 수 있습니다. 이 문서에서는 훈련된 Scikit-Learn 결정 트리에서 텍스트 결정 규칙을 추출하는 포괄적인 접근 방식을 설명합니다.
결정 규칙 추출을 위한 Python 코드
다음 Python 코드 조각은 다음을 활용합니다. Scikit-Learn 의사결정 트리의 기본 데이터 구조를 탐색하여 사람이 읽을 수 있는 의사결정 경로를 생성합니다.
from sklearn.tree import _tree def tree_to_code(tree, feature_names): tree_ = tree.tree_ feature_name = [ feature_names[i] if i != _tree.TREE_UNDEFINED else "undefined!" for i in tree_.feature ] print("def tree({}):".format(", ".join(feature_names))) def recurse(node, depth): indent = " " * depth if tree_.feature[node] != _tree.TREE_UNDEFINED: name = feature_name[node] threshold = tree_.threshold[node] print("{}if {} <= {}:".format(indent, name, threshold)) recurse(tree_.children_left[node], depth + 1) print("{}else: # if {} > {}".format(indent, name, threshold)) recurse(tree_.children_right[node], depth + 1) else: print("{}return {}".format(indent, tree_.value[node])) recurse(0, 1)
유효한 Python 함수 만들기
이 코드는 트리를 재귀적으로 사용하여 각 조건부 분할 및 임계값을 인쇄합니다. 그 결과는 훈련된 의사결정 트리의 의사결정 프로세스를 효과적으로 에뮬레이션하는 유효한 Python 함수입니다.
출력 예
예를 들어, 0에서 10 사이의 숫자를 입력으로 반환합니다. 생성된 Python 함수는 다음과 같습니다.
def tree(f0): if f0 <= 6.0: if f0 <= 1.5: return [[ 0.]] else: # if f0 > 1.5 if f0 <= 4.5: if f0 <= 3.5: return [[ 3.]] else: # if f0 > 3.5 return [[ 4.]] else: # if f0 > 4.5 return [[ 5.]] else: # if f0 > 6.0 if f0 <= 8.5: if f0 <= 7.5: return [[ 7.]] else: # if f0 > 7.5 return [[ 8.]] else: # if f0 > 8.5 return [[ 9.]]
이점 및 주의 사항
이 방법은 명확하고 트리의 결정 규칙에 대한 테스트 가능한 표현입니다. 그러나 코드에서는 트리의 각 노드가 이진 결정 노드라고 가정합니다. 의사결정 트리에 비바이너리 의사결정 노드가 포함된 경우 이에 따라 코드를 조정해야 합니다.
위 내용은 Scikit-Learn 결정 트리에서 결정 규칙을 추출하는 방법은 무엇입니까?의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!