跳转至

⛄ plot_tree

这篇文章介绍了 CatBoost 中 plot_tree 方法的使用方法，该方法用于可视化 CatBoost 模型中的决策树。1

方法调用格式

plot_tree(tree_idx, pool=None)

参数说明

tree_idx

  • 描述： 要可视化的树的索引。
  • 可能类型： int
  • 默认值： 必填参数 1

pool

  • 描述： 仅适用于包含浮点型特征的模型。允许传递一个数据集，并使用该数据集中的外部索引对标签特征进行标记。如果未输入数据集，则使用内部索引。例如，对于一个以分号分隔的包含两个特征 f1;label;f2 的数据集，外部特征索引分别为 0 和 2，而内部索引分别为 0 和 1。
  • 可能类型： catboost.Pool
  • 默认值： None
  • 注意： 对于包含独热编码分类特征的模型，此参数为必填参数。 1

返回值类型

plot_tree 方法返回一个 graphviz.dot.Digraph 对象，该对象描述了可视化的树。树的内部节点对应于分割，并指定了分割中使用的因子名称和边界。叶子节点包含树预测的原始值（RawFormulaVal，参见模型值）。对于多分类模型，叶子节点包含 ClassCount 值（总和为零）。叶子节点的类别可以通过获取叶子节点中该值数组的 argMax 来获得。对于 MultiRMSE 模型，叶子节点包含每个标签的一个值。 1

示例

import numpy as np
from catboost import CatBoostClassifier, Pool

# 训练数据
train_data = np.random.randint(0, 100, size=(100, 10))
train_label = np.random.randint(0, 1000, size=(100))
train_pool = Pool(train_data, train_label)

# 训练模型
model = CatBoostClassifier(max_depth=2, verbose=False, max_ctr_complexity=1, iterations=2)
model.fit(train_pool)

# 可视化树
model.plot_tree(tree_idx=0, pool=train_pool)

这个示例展示了如何使用 plot_tree 方法可视化 CatBoost 模型中的决策树。 1

注意： 为了使用 plot_tree 方法，需要安装 graphviz 包。 1