sklearn.tree.plot_tree(decision_tree, max_depth=None, feature_names=None, class_names=None, label=‘all’, filled=False, impurity=True, node_ids=False, proportion=False, rounded=False, precision=3, ax=None, fontsize=None)

1.decision_tree 决策树
其他参数都是默认值的时候：
2.filled=True的时候，有了他、填充颜色
3.给class_names 赋值一个str的列表，经过测验，列表里的数量不可以比类别少，否则会报错。
这样就可以显示类别信息了（按数字顺序依次赋的）


4. feature_names也同理，赋值之后，参量的名字也改变了，这个是按照原来参量的顺序依次对应的，和上面的classname是有区别的
5.

2.max_depth 最大深度
这个是max_depth = 1的效果

pip install graphviz 安装后运行画图代码报错，找不到grahviz的dot什么的，因为graphviz不仅要在pyhton环境中安装，需要同时在系统安装graphviz: Linux下安装方法为： $sudo yum install graphviz 一、使用 plot _ tree fig = plt.figure(figsize=(200, 200)) ax = fig.sub plot s() lgb. plot _ from sklearn. tree import Decision Tree Classifier #创建分类器对象 tree =Decision Tree Classifier(criterion="entropy") #训练数据fit tree .fit([[0],[1],[2],[3]],["a","a","b","c"]) #预测新数据 target= tree .predict([[2]]) #模型评估，打分，验证方法，评估方式 print(target) print( tree .scor 在这篇文章中，我们讲解了如何训练 决策树 ，然后我们得到了一个字典嵌套格式的 决策树 结果，这个结果不太直观，不能一眼看着这颗“树”的形状、分支、属性值等，怎么办呢？ 本文就上文得到的 决策树 ，给出 决策树 绘制 函数 ，让我们对我们训练出的 决策树 一目了然。 在绘制 决策树 之后，我们会给出 决策树 的使用方法：如何利用训练好的 决策树 ，预测训练数据的类别？ 提示：不论是绘制还是使用 决策树 ，中心思想都是递归。 安装PLC报错“bitte fuhren sie einen neustare neustart aus, bevor sie weitere programme installieren.veuil