Как построить графическое дерево решений с обратными преобразованиями (фактическими)? - PullRequest
Новая
       71

Как построить графическое дерево решений с обратными преобразованиями (фактическими)?

0 голосов
/ 12 мая 2019

Я использую graphviz для построения дерева решений классификации.

, прежде чем соответствовать функциям, которые я использую "preprocessing.StandardScaler ()", чтобы масштабировать их

, поэтому, когда я готовлю решениедерево, которое я построил на основе «преобразованных значений»

, есть ли способ «перевернуть_trasform» классификатор, прежде чем строить его так, чтобы дерево решений отображало фактические значения в узлах, а не преобразованные?

да, я пробовал scale.inverse_transform (rf_clf) .... но, конечно, не 'twork ...

Импорт набора данных из sklearn.datasets 

iris = datasets.load_iris()

Создание фрейма данных из словаря 

species = [iris.target_names[x] for x in iris.target]
iris = pd.DataFrame(iris['data'], columns = ['Sepal_Length', 'Sepal_Width', 'Petal_Length', 'Petal_Width'])
iris['Species'] = species

с преобразованием в массивы 

Features = np.array(iris[['Sepal_Length', 'Sepal_Width', 'Petal_Length', 'Petal_Width']])

levels = {'setosa':0, 'versicolor':1, 'virginica':2}
Labels =  np.array([levels[x] for x in iris['Species']])

разбиение 

nr.seed(1115)
indx = range(Features.shape[0])
indx = ms.train_test_split(indx, test_size = 100)
X_train = Features[indx[0],:]
y_train = np.ravel(Labels[indx[0]])
X_test = Features[indx[1],:]
y_test = np.ravel(Labels[indx[1]])

масштабирование: 

scale = preprocessing.StandardScaler()
scale.fit(X_train)
X_train = scale.transform(X_train)

подгонка классификатора 

rf_clf = tree.DecisionTreeClassifier() ###simple TREE
rf_clf.fit(X_train, y_train)*

построение дерева решений с помощью графика: 

dot_data = tree.export_graphviz(rf_clf, out_file=None, 

             feature_names=['Sepal_Length', 'Sepal_Width', 'Petal_Length', 'Petal_Width'], 
             class_names=['setosa', 'versicolor', 'virginica'], 

                 filled=True, rounded=True,  
                 special_characters=True)

print(dot_data)

graph = graphviz.Source(dot_data)  
graph

результаты первого узла "Petal_width <= 0.53", а второго узла "длина лепестка"<= -0,788 ", что является отрицательным числомколичество единиц. </p>

Я бы предпочел, чтобы дерево имело действительное значение в дюймах ...

...