如何将拟合后的scikit-learn决策树模型转换为表格格式？

你可以直接通过DecisionTreeRegressor的tree_属性提取所有节点的关键信息，整理成你需要的表格。以下是具体实现方案：

核心属性对应关系 #

tree_属性包含决策树的全部底层数据，各属性与你需要的列一一对应：

• Node：节点索引（从0开始，根节点为0）
• Variable：feature属性的取值，对应特征列名称（叶子节点标记为"Leaf"）
• Threshold：threshold属性，叶子节点无分裂阈值，用"-"标记
• Value：value属性，回归树中为节点内样本的预测均值
• MSE：impurity属性，回归树的不纯度指标就是MSE
• Samples：n_node_samples属性，节点包含的样本数量

代码实现示例 #

import pandas as pd
from sklearn.tree import DecisionTreeRegressor
from sklearn.datasets import make_regression

# 生成示例数据并训练决策树回归模型
X, y = make_regression(n_samples=100, n_features=3, random_state=42)
reg_tree = DecisionTreeRegressor(max_depth=2, random_state=42)
reg_tree.fit(X, y)

# 提取树结构的核心属性
tree = reg_tree.tree_
# 替换为你的数据集真实特征名
feature_names = [f"Feature_{i}" for i in range(X.shape[1])]

# 遍历所有节点整理数据
node_records = []
for node_idx in range(tree.node_count):
    # 判断是否为叶子节点
    is_leaf = tree.children_left[node_idx] == -1 and tree.children_right[node_idx] == -1
    
    node_records.append({
        "Node": node_idx,
        "Variable": feature_names[tree.feature[node_idx]] if not is_leaf else "Leaf",
        "Threshold": round(tree.threshold[node_idx], 4) if not is_leaf else "-",
        "Value": round(tree.value[node_idx][0][0], 4),
        "MSE": round(tree.impurity[node_idx], 4),
        "Samples": tree.n_node_samples[node_idx]
    })

# 转换为DataFrame并输出表格
node_df = pd.DataFrame(node_records)
print(node_df)

输出示例表格 #

你只需将示例中的feature_names替换为你数据集的真实特征名称，即可生成符合需求的节点详情表格。

内容的提问来源于stack exchange，提问作者Zain