export_text

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

Построение текстового отчета, показывающего правила дерева решений.

Обратите внимание, что обратная совместимость может не поддерживаться.

Параметры:

decision_treeобъект

Модель дерева решений для экспорта. Может быть экземпляром DecisionTreeClassifier или DecisionTreeRegressor.

feature_namesпоследовательность из n_features элементов, по умолчанию=None

Массив, содержащий имена признаков. Если None, будут использованы общие имена («признак_0», «признак_1», …).

class_namesпоследовательность из n_classes элементов, по умолчанию=None

Имена каждого из целевых классов в порядке возрастания числового значения. Актуально только для классификации и не поддерживается для многовыходных задач.

• если None, имена классов передаются в decision_tree.classes_;
• в противном случае, class_names будут использованы в качестве имен классов вместо decision_tree.classes_. Длина class_names должна соответствовать длине decision_tree.classes_.

Добавлена в версии 1.3.

max_depthцелое число, по умолчанию=10

Экспортируются только первые max_depth уровни дерева. Обрезанные ветви будут помечены как «…».

spacingцелое число, по умолчанию=3

Количество пробелов между ребрами. Чем выше значение, тем шире результат.

decimalsцелое число, по умолчанию=2

Количество знаков после запятой для отображения.

show_weightsлогическое значение, по умолчанию=False

Если True, веса классификации будут экспортированы на каждом листе. Веса классификации — это количество образцов для каждого класса.

Возвращаемое значение:

reportстрока

Текстовое описание всех правил в дереве решений.

Примеры

>>> 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