個人總結困難之處有三點：
1、屬性存在二元屬性、標稱屬性、序數屬性、連續屬性四種，訓練方式沒有視覺化比較混亂；
2、每個步驟有足夠的意義，所以需要觀察分類過程；
3、不同於難以解釋的神經網路，或者分離超平面可以用乙個式子表達，決策樹劃分結果通常需要語言描述；
1、等高線方法，只能觀察兩種特徵值對結果的影響，當特徵增多時，等高線圖呈現平方級數增長
是乙個資料視覺化軟體，通過pydotplus呼叫，可以用來決策樹構圖
採用dot_data有向圖來繪製決策樹 graphviz教程
demo：sklearn訓練 github
注釋：graphviz 軟體使用
sklearn 決策樹視覺化
來自google developer 的machine learning recipes with josh gordon youtube鏈結 這裡使用了lris flower data set 生成了乙個認花的小樹 import numpy as np from sklearn.datasets ...
決策樹視覺化
決策樹相比其他演算法的乙個重要特性就是 可解釋性，構建決策樹的過程就相當於形成 if then 規則集。如果我們能夠將生成的決策樹視覺化，那麼我們就可以對資料集與 值之間的關係有清晰的認識。首先，我們以 sklearn.datasets 包中的鳶尾花資料集為例。from sklearn.datase...
Scikit learn 決策樹視覺化
平常網上看到的關於決策樹的scikit learn教程大都是直接給出容器的訓練 clf tree.decisiontreeclassifier clf clf.fit x,y clf.predict 然而有時候要的不只是 資料的結果，選擇決策樹還想要看到訓練出來的決策樹是什麼樣的。於是經過各種搜尋，...