我正在https://machinelearningmastery.com/visualize-gradient-boosting-decision-trees-xgboost-python/上使用方法来绘制XGBoost决策树
from numpy import loadtxt
from xgboost import XGBClassifier
from xgboost import plot_tree
import matplotlib.pyplot as plt
# load data
dataset = loadtxt('pima-indians-diabetes.csv', delimiter=",")
# split data into X and y
X = dataset[:,0:8]
y = dataset[:,8]
# fit model no training data
model = XGBClassifier()
model.fit(X, y)
# plot single tree
plot_tree(model)
plt.show()
当我获得150个要素时,对于所有分割点而言,该图看起来都非常小,如何绘制清晰的图或在本地保存或以任何其他方式/想法可以清楚地显示出这棵“树”,这一点非常值得赞赏
答案 0 :(得分:2)
要添加到Serk的答案中,您还可以在显示图形之前调整图形的大小:
# ...
plot_tree(model)
fig = plt.gcf()
fig.set_size_inches(18.5, 10.5)
plt.show()
答案 1 :(得分:1)
我最近也遇到了同样的问题,我发现的唯一方法是尝试使用不同的图形大小(它仍然可以变成大图形的蓝色。例如,要绘制第4棵树,请使用:
fig, ax = plt.subplots(figsize=(30, 30))
xgb.plot_tree(model, num_trees=4, ax=ax)
plt.show()
要保存,可以执行
plt.savefig("temp.pdf")
此外,每棵树都将两个类分开,因此您拥有的树数与类数一样。
答案 2 :(得分:0)
您可以改用to_graphviz方法-对我来说,它可以使图片更清晰。
xgb.to_graphviz(xg_reg,num_trees = 0,rankdir ='LR')
但是,很可能您会遇到该输出大小的问题。
在这种情况下,请遵循以下步骤: How can i specify the figsize of a graphviz representation of Decision Tree
答案 3 :(得分:0)
我在github上发现了this workaround,它也提供了更好的图像,但缺点是您必须在之后打开.png文件。
xgb.plot_tree(bst, num_trees=2)
fig = matplotlib.pyplot.gcf()
fig.set_size_inches(150, 100)
fig.savefig('tree.png')