决策树和绘制决策树图——代码简洁

01.决策树

通过sklearn机器学习工具库
代码十分简洁，内有详细步骤和解释。
直接复制，带入数据，进行调用即可出结果，模型参数设置见代码后

def Decision_Tree(X_train, Y_train, X_test, Y_test):
    """
    X_train: 特征训练集
    Y_train: 标注训练集
    X_test: 特征测试集
    Y_test: 标注测试集
    """

    # 01.创建模型
    from sklearn.tree import DecisionTreeClassifier
    DTree_model = DecisionTreeClassifier()

    # 02.训练模型
    DTree_model = DTree_model.fit(X_train, Y_train)

    # 03.模型预测
    Y_pred = DTree_model.predict(X_test)

    # 04.模型评价(accuracy_score:准确率；recall_score：召回率； f1_score：F值)
    from sklearn.metrics import accuracy_score, recall_score, f1_score
    print('ACC:', accuracy_score(Y_test, Y_pred))
    print('REC:', recall_score(Y_test, Y_pred))
    print('F-Score:', f1_score(Y_test, Y_pred))

    return

这里的模型评价指标选择了：
① accuracy_score:准确率；
② recall_score：召回率；
③ f1_score：F值。
在上面代码中都是针对测试集的效果，也可以对训练集进行预测，然后评价训练集的效果，综合比较，可以看看是否会出现过拟合现象。

02.绘制决策树图：

需要预先在百度下载 Graphviz（专门用于绘制决策树的工具库），并安装好（需要记住安装路径位置，后面会用到）

代码十分简洁，内有详细步骤和解释。
填入安装的Graphviz路径，设置好参数后，直接复制下面代码到上面的决策树函数之中即可，模型参数设置见代码后

# 绘制决策树图
import os
os.environ['PATH'] = os.pathsep + r'……\bin'
"""将Graphviz设置到环境变量的路径中(后面为Graphviz软件中的bin文件夹安装的路径)"""
from sklearn.tree import export_graphviz
import graphviz
dot_data = export_graphviz(DTree_model,
                               out_file=None,
                               feature_names=X_train.columns,
                               class_names=['0', '1'],
                               filled=True,
                               rounded=True,
                               special_characters=True)
graph = graphviz.Source(dot_data)
graph.render('tree')
"""保存为PDF格式"""

export_graphviz()中的参数设置:
第一个参数为模型
参数out_fit=None：字符串格式(当做固定参数)
参数feature_names：特征的名称(列索引)
参数class_names：设置标注的类别名称
参数filled：是否填充背景
参数rounded：让图更好看一些
参数special_characters：让图更好看一些