export_text

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

Создает текстовый отчет с правилами дерева решений.

Обратите внимание, что обратная совместимость может не поддерживаться.

Параметры:

decision_treeобъект

Оцениваемая модель дерева решений, которую нужно экспортировать. Это может быть экземпляр DecisionTreeClassifier или DecisionTreeRegressor.

feature_namesмассивоподобный объект формы (n_features,), по умолчанию=None

Массив с названиями признаков. Если задано None, будут использоваться общие названия («feature_0», «feature_1», …).

class_namesмассивоподобный объект формы (n_classes,), по умолчанию=None

Названия целевых классов в порядке возрастания числовых значений. Применимо только для классификации и не поддерживается для нескольких выходов.

• если None, названия классов передаются в decision_tree.classes_;
• в противном случае class_names будут использоваться как названия классов вместо decision_tree.classes_. Длина class_names должна совпадать с длиной decision_tree.classes_.

Добавлено в версии 1.3.

max_depthint, по умолчанию=10

Экспортируются только первые max_depth уровней дерева. Усеченные ветви будут обозначены символом «…».

spacingint, по умолчанию=3

Количество пробелов между ветвями. Чем больше это значение, тем шире результат.

decimalsint, по умолчанию=2

Количество отображаемых десятичных знаков.

show_weightsbool, по умолчанию=False

Если значение равно true, на каждом листе будут отображаться веса классификации. Веса классификации — это количество образцов каждого класса.

Возвращает:

reportstr

Текстовая сводка всех правил дерева 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