如何用代码实现sklearn DecisionTreeClassifier特定路径遍历与类别预测？

方法一：直接用原模型的predict方法（最简单） #

如果你的DecisionTreeClassifier实例dt还存在，直接用官方提供的predict方法就能快速得到结果，无需手动解析树结构：

# 把样本特征整理成二维数组（sklearn要求输入为二维格式）
sample = [[1, 0, 0]]  # 注意特征顺序要和训练模型时的顺序完全一致
predicted_class = dt.predict(sample)[0]
print(predicted_class)

方法二：解析tree_.__getstate__结果手动遍历 #

如果只有树的状态字典（比如原模型已销毁，仅保留了__getstate__的输出），可以通过解析字典内的核心字段实现自动遍历决策树：
tree_.__getstate__()返回的字典包含几个关键字段：

• children_left: 每个节点的左子节点索引（-1表示当前是叶子节点）
• children_right: 每个节点的右子节点索引（-1表示当前是叶子节点）
• feature: 非叶子节点用于分裂的特征索引
• threshold: 非叶子节点的分裂阈值
• value: 每个节点的类别计数数组，叶子节点取计数最大值对应的索引即为类别

以下是实现代码：

def predict_from_tree_state(tree_state, sample):
    current_node = 0  # 从根节点开始遍历
    while True:
        # 判断当前节点是否为叶子节点
        if tree_state['children_left'][current_node] == -1 and tree_state['children_right'][current_node] == -1:
            # 取计数最多的类别
            return tree_state['value'][current_node].argmax()
        # 获取当前节点的分裂规则
        split_feature_idx = tree_state['feature'][current_node]
        split_threshold = tree_state['threshold'][current_node]
        # 根据样本特征值选择子节点
        if sample[split_feature_idx] <= split_threshold:
            current_node = tree_state['children_left'][current_node]
        else:
            current_node = tree_state['children_right'][current_node]

# 假设树状态已保存到tree_state变量中
tree_state = dt.tree_.__getstate__()
sample = [1, 0, 0]  # 特征顺序必须和训练时一致
predicted_class = predict_from_tree_state(tree_state, sample)
print(predicted_class)

注意：务必保证样本特征的顺序和模型训练时的特征顺序完全匹配，否则会得到错误的预测结果。

内容的提问来源于stack exchange，提问作者Winston Lee