2017.02.22回顾

1、昨天不服气，还是继续研究怎么把决策树的结构输出出来，因为有一个包，没装好，在anaconda环境中，我用了这样一个命令进行安装，conda install -c conda-forge pydotplus，成功安装，安装过程中有几个conda的相关东西需要安装或是update（确切的说，好像是conda-forge），其实我不清楚这个命令的意思，反正用pip install pydotplus会报一个编码错误！conda forge -c conda-forge 是指定渠道从conda-forge下载，普通的conda install命令不会搜索conda-forge这个源，听说可以通过conda config --add channels conda-forge添加，然后直接用conda install XXX安装！

2、解决了安装的问题，接下来，我照着http://www.cnblogs.com/pinard/p/6056319.html的三种方法，我第一种成功了，第二种没能成功，sklearn中的tree类提供了一个export_graphviz的方法，可以把树结构导出成dot文件，我后来找到另一种写法，经试验是可以的

from sklearn.externals.six import StringIO
dot_data = StringIO()
tree.export_graphviz(clf, out_file=dot_data)
graph = pydotplus.graph_from_dot_data(dot_data.getvalue())
graph.write_png("tree_%d.png" % i)

这个方法是可以的，write_png和write_pdf两个方法可用，这里我要输出gbdt的每一棵树，这个dot_data = StringIO()是包在循环体内部的，每次要新生成一个！我对这段代码还不是很明白。从方法名上来看，是把树结构输出的一个字符流，然后把字符流转换成图像类，图像类写入成png，StringIO相当于是内存中的文件流，第三种方式我暂时没尝试，目前还用不到，参考http://m.blog.csdn.net/article/details?id=51163535

3、接下来就一个循环输出了我gbdt模型中的60棵树，每棵树存在gbdt.estimators_中，我观察了下60棵树，总体来说很make sense，和业务理解相当，有些变量不相当的，本身在总体上也不make sense，也些变量在交叉作用下，也有和普通理解相反的地方，当然有些从某个角度也能找到解释，比如对于同盾分高的，多头申请次数高的反而好，也就是说对于这种人对于同盾分高但是原因不是来自于多头的，这种其他风险因素很significant

4、下午一直在思考关于每棵树的贡献问题，还来反而开始怀疑是如何累加的了？