<ruby id="bdb3f"></ruby>

    <p id="bdb3f"><cite id="bdb3f"></cite></p>

      <p id="bdb3f"><cite id="bdb3f"><th id="bdb3f"></th></cite></p><p id="bdb3f"></p>
        <p id="bdb3f"><cite id="bdb3f"></cite></p>

          <pre id="bdb3f"></pre>
          <pre id="bdb3f"><del id="bdb3f"><thead id="bdb3f"></thead></del></pre>

          <ruby id="bdb3f"><mark id="bdb3f"></mark></ruby><ruby id="bdb3f"></ruby>
          <pre id="bdb3f"><pre id="bdb3f"><mark id="bdb3f"></mark></pre></pre><output id="bdb3f"></output><p id="bdb3f"></p><p id="bdb3f"></p>

          <pre id="bdb3f"><del id="bdb3f"><progress id="bdb3f"></progress></del></pre>

                <ruby id="bdb3f"></ruby>

                ??碼云GVP開源項目 12k star Uniapp+ElementUI 功能強大 支持多語言、二開方便! 廣告
                # 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。 ![How to Visualize Gradient Boosting Decision Trees With XGBoost in Python](https://img.kancloud.cn/c0/85/c085a3825c5d97fb783cac950bbc81bf_640x480.jpg) 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。 ![XGBoost Plot of Single Decision Tree](https://img.kancloud.cn/7c/74/7c7443abdda3c78570b234b3cefaca85_800x600.jpg) 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。 ![XGBoost Plot of Single Decision Tree Left-To-Right](https://img.kancloud.cn/51/91/51916de80a6a5f4a6db416114b3b10a2_800x600.jpg) 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。
                  <ruby id="bdb3f"></ruby>

                  <p id="bdb3f"><cite id="bdb3f"></cite></p>

                    <p id="bdb3f"><cite id="bdb3f"><th id="bdb3f"></th></cite></p><p id="bdb3f"></p>
                      <p id="bdb3f"><cite id="bdb3f"></cite></p>

                        <pre id="bdb3f"></pre>
                        <pre id="bdb3f"><del id="bdb3f"><thead id="bdb3f"></thead></del></pre>

                        <ruby id="bdb3f"><mark id="bdb3f"></mark></ruby><ruby id="bdb3f"></ruby>
                        <pre id="bdb3f"><pre id="bdb3f"><mark id="bdb3f"></mark></pre></pre><output id="bdb3f"></output><p id="bdb3f"></p><p id="bdb3f"></p>

                        <pre id="bdb3f"><del id="bdb3f"><progress id="bdb3f"></progress></del></pre>

                              <ruby id="bdb3f"></ruby>

                              哎呀哎呀视频在线观看