决策树转规则

最新推荐文章于 2025-04-21 17:49:33 发布

mao_feng

最新推荐文章于 2025-04-21 17:49:33 发布

阅读量7.1k

点赞数 1

分类专栏：机器学习

本文链接：https://blog.csdn.net/mao_feng/article/details/73920261

版权

本文探讨了在决策和分类任务中，如何通过构建少量节点的决策树模型来找到易于理解和运营的规则。这种方法既避免了手动编写规则的复杂性，也解决了复杂机器学习模型如逻辑回归在解释性方面的挑战。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

有些决策、分类的规则，手写比较麻烦，但用机器学习模型，比如LR搞的话又比较难运营和理解。这时，通过少node的决策树模型来做，并将其生成规则，是一个折衷的解决方案。

import numpy as np
from sklearn.tree import DecisionTreeRegressor
from sklearn.tree import _tree

trainx = []
trainy = []
with open('vm06.xy') as fd:
    fdl = fd.readline()
    while len(fdl) > 0:
        v = fdl.split(' ')
        trainx.append(np.asarray([float(v[2]), float(v[3]), float(v[4]), float(v[5].strip())])) #v[2]~v[5]是特征
        trainy.append(float(v[1]) > 60) #v[1]的值用于分类，大于60为True，小于等于60为False
        fdl = fd.readline()

regressor = DecisionTreeRegressor(max_leaf_nodes=8)
regressor.fit(np.asarray(trainx), np.asarray(trainy))

res = regressor.predict(trainx[39:51])
print (res, trainy[39:51])

def tree_to_code(tree, feature_names):
    tree_ = tree.tree_
    feature_name = [
        feat