# 如何在 Python 中使用 XGBoost 可視化梯度提升決策樹 > 原文： [https://machinelearningmastery.com/visualize-gradient-boosting-decision-trees-xgboost-python/](https://machinelearningmastery.com/visualize-gradient-boosting-decision-trees-xgboost-python/) 繪制單個決策樹可以提供對給定數據集的梯度提升過程的深入了解。 在本教程中，您將了解如何使用 Python 中的 XGBoost 從訓練好的梯度提升模型中繪制單個決策樹。 讓我們開始吧。 * **更新 March / 2018** ：添加了備用鏈接以下載數據集，因為原始圖像已被刪除。  如何用 Python 中的 XGBoost 可視化梯度提升決策樹 [Kaarina Dillabough](https://www.flickr.com/photos/100497095@N02/23895950682/) 的照片，保留一些權利。 ## 繪制單個 XGBoost 決策樹 [XGBoost Python API](http://xgboost.readthedocs.io/en/latest/python/python_api.html#module-xgboost.plotting) 提供了在經過訓練的 XGBoost 模型中繪制決策樹的功能。 **plot_tree（）**函數提供了此功能，該函數將訓練模型作為第一個參數，例如： ```py plot_tree(model) ``` 這將繪制模型中的第一個樹（索引 0 處的樹）。可以使用 **matplotlib** 和 **pyplot.show（）**將該圖保存到文件或顯示在屏幕上。 此繪圖功能要求您安裝 [graphviz 庫](http://www.graphviz.org/)。 我們可以在 [Pima 印第安人糖尿病數據集](https://archive.ics.uci.edu/ml/datasets/Pima+Indians+Diabetes)上創建一個 XGBoost 模型，并繪制模型中的第一棵樹（更新：[從這里下載](https://raw.githubusercontent.com/jbrownlee/Datasets/master/pima-indians-diabetes.data.csv)）。完整的代碼清單如下： ```py # plot decision tree from numpy import loadtxt from xgboost import XGBClassifier from xgboost import plot_tree import matplotlib.pyplot as plt # load data dataset = loadtxt('pima-indians-diabetes.csv', delimiter=",") # split data into X and y X = dataset[:,0:8] y = dataset[:,8] # fit model no training data model = XGBClassifier() model.fit(X, y) # plot single tree plot_tree(model) plt.show() ``` 運行代碼會在模型中創建第一個決策樹（索引 0）的圖，顯示每個拆分的特征和特征值以及輸出葉節點。  單一決策樹的 XGBoost 圖 您可以看到變量自動命名為 f1 和 f5，與輸入數組中的特征索引相對應。 您可以看到每個節點內的拆分決策以及左右分割的不同顏色（藍色和紅色）。 **plot_tree（）**函數需要一些參數。您可以通過指定 **num_trees** 參數的索引來繪制特定圖形。例如，您可以按順序繪制序列中的第 5 個提升樹： ```py plot_tree(model, num_trees=4) ``` 您還可以通過將 **rankdir** 參數更改為“LR”（從左到右）而不是默認的從上到下（UT）來更改圖表的布局從左到右（更容易閱讀） ）。例如： ```py plot_tree(model, num_trees=0, rankdir='LR') ``` 以從左到右的布局繪制樹的結果如下所示。  從左到右的單一決策樹的 XGBoost 圖 ## 摘要 在這篇文章中，您學習了如何使用 Python 中訓練有素的 XGBoost 梯度提升模型繪制單個決策樹。 你有關于在 XGBoost 中繪制決策樹或關于這篇文章的任何問題嗎？在評論中提出您的問題，我會盡力回答。