sklearn内置加利福尼亚州房价数据集建立决策树并利用graphviz和pydotplus绘制树模型

#导入模块
import matplotlib.pyplot as plt

import pandas as pd

#导入sklearn内置的房价数据集
from sklearn.datasets.california_housing import fetch_california_housing
housing = fetch_california_housing()

#输出数据集描述信息
print(housing.DESCR)

#查看数据集形状   20640条数据，每条数据8个特征
# print(housing.data.shape)

#使用sklearn导入决策树模块
from sklearn import tree
#建立决策树对象   传入参数指定树的最大深度为2
dtr = tree.DecisionTreeRegressor(max_depth = 2)
#传入特征值和目标值，这里只使用第6和7个特征
dtr.fit(housing.data[:, [6, 7]], housing.target)

#要可视化显示 首先需要安装 graphviz   http://www.graphviz.org/Download..php
#创建dot对象
dot_data = \
    tree.export_graphviz(
        dtr,
        out_file = None,
        feature_names = housing.feature_names[6:8],
        filled = True,
        impurity = False,
        rounded = True
    )

#导入dot绘图包
import pydotplus

#创建绘图对象
graph = pydotplus.graph_from_dot_data(dot_data)

#绘制图像保存到本地
graph.write_png("./data/dtr_white_background.png")

绘制决策树为