sklearn.tree.export_graphviz

cpp 复制代码
sklearn.tree.export_graphviz(decision_tree,              
                             out_file=None,              
                             *,
                             max_depth=None,             
                             feature_names=None,         
                             class_names=None,           
                             label='all',                
                             filled=False,               
                             leaves_parallel=False,      
                             impurity=True,              
                             node_ids=False,             
                             proportion=False,           
                             rotate=False,               
                             rounded=False,              
                             special_characters=False,   
                             precision=3,                
                             fontname='helvetica'        
)
  • decision_tree, 决策树分类器,要导出到 GraphViz的决策树
  • out_file=None, 要导出到 GraphViz 的决策树
  • *,
  • max_depth=None, 整数,默认=无。表示的最大深度。如果没有,则完全生成树。
  • feature_names=None, 每个函数的名称。如果 None 将使用通用名称("feature_0"、"feature_1"、...)。
  • class_names=None, 每个目标类别的名称按数字升序排列。仅与分类相关,不支持multi-output。如果 True ,则显示类名的符号表示。
  • label='all', {'all', 'root', 'none'},默认='全部';是否显示杂质标签等。选项包括'all' 显示在每个节点,'root' 仅显示在顶部根节点,或'none' 不显示在任何节点。
  • filled=False, 布尔,默认=假。当设置为 True 时,绘制节点以指示分类的多数类、回归值的极值或 multi-output 的节点纯度。
  • leaves_parallel=False, 布尔,默认=假。当设置为 True 时,在树的底部绘制所有叶节点。
  • impurity=True, 布尔,默认=真。当设置为 True 时,显示每个节点的杂质。
  • node_ids=False, 布尔,默认=假。当设置为 True 时,在每个节点上显示 ID 号。
  • proportion=False, 布尔,默认=假。当设置为 True 时,将 'values' 和/或 'samples' 的显示分别更改为比例和百分比。
  • rotate=False, 布尔,默认=假。当设置为 True 时,将树从左到右而不是自上而下。
  • rounded=False, 布尔,默认=假。当设置为 True 时,绘制圆角节点框。
  • special_characters=False, 布尔,默认=假。当设置为 False 时,忽略特殊字符以兼容 PostScript。
  • precision=3, 整数,默认=3。每个节点的杂质、阈值和值属性值中浮点精度的位数。
  • fontname='helvetica' str,默认='helvetica'。用于呈现文本的字体名称。
相关推荐
孟祥_成都2 分钟前
让 AI 自动写 SQL、读文档,前端也能玩转 Agent! langchain chains 模块解析
前端·人工智能
Coder_Boy_2 分钟前
基于LangChain4j的证券业务系统模块四
大数据·人工智能·spring cloud·langchain
V搜xhliang02466 分钟前
多模态MRI影像组学预测脑胶质瘤分子分型的研究进展
人工智能
爱写代码的小朋友13 分钟前
技术赋能教育革新:教育信息化与AI、计算机科学的融合发展研究
人工智能
jkyy201416 分钟前
食材图像识别与个性化饮食:智能家电如何重构膳食健康管理?
大数据·人工智能·物联网·健康医疗
kisshuan1239622 分钟前
基于Mask-RCNN与Res2Net的排水系统缺陷检测与分类
人工智能·数据挖掘
P.H. Infinity27 分钟前
【QLIB】一、系统架构
人工智能·金融
搬砖的kk30 分钟前
openJiuwen 快速入门:使用华为云大模型搭建 AI 智能体
数据库·人工智能·华为云
Iridescent112138 分钟前
Iridescent:Day48
python
Gavin在路上38 分钟前
SpringAIAlibaba之从执行生命周期到实战落地(7)
人工智能