如何让决策树分类器的叶节点显示Result列的名称与对应值？

你的核心问题是tree.plot_tree的class_names参数使用错误，导致叶节点无法正确显示Result的名称与对应值。以下是具体解决方案：

关键修正步骤 #

1. 定义匹配类别的名称列表
   根据你数据集的规则（0=获胜、1=失败、2=平局），创建包含名称和对应值的列表，注意顺序要和模型自动识别的类别顺序一致（sklearn会按类别值升序排序，所以顺序为0、1、2）：

   class_labels = ["获胜 (0)", "失败 (1)", "平局 (2)"]
   

2. 修正tree.plot_tree的参数

   • feature_names传入特征列名，直接用x.columns即可（无需单独定义cols，避免出错）
   • class_names传入上面定义的class_labels
   • 可添加filled=True让树可视化更清晰，属于可选优化参数

修改后的完整代码 #

from sklearn.model_selection import train_test_split
from sklearn import tree 
from sklearn import metrics
import matplotlib.pyplot as plt

# 数据拆分部分（保持原逻辑）
x = chess.drop(columns = ['Result'])
y = chess['Result']
print(x.shape, y.shape)

x_train, x_test, y_train, y_test = train_test_split(x, y)
print(x_train.shape, x_test.shape)

# 训练决策树
clf = tree.DecisionTreeClassifier(max_depth=3, min_samples_leaf=5, random_state=0)
clf.fit(x_train, y_train)

# 模型评估部分（保持原逻辑）
y_train_pred = clf.predict(x_train)
y_pred = clf.predict(x_test)

print(y_pred)
print(metrics.confusion_matrix(y_test, y_pred))
print(metrics.accuracy_score(y_test, y_pred))
print(metrics.precision_score(y_test, y_pred, average = None))
print(metrics.recall_score(y_test, y_pred, average = None))

# 可视化决策树（核心修正）
class_labels = ["获胜 (0)", "失败 (1)", "平局 (2)"]
tree.plot_tree(
    clf,
    feature_names=x.columns,  # 使用特征列名
    class_names=class_labels, # 自定义类别名称与值
    filled=True,              # 可选：填充颜色区分节点
    rounded=True              # 可选：圆角边框更美观
)
plt.savefig('out.pdf')
plt.show() # 可选：直接显示图像

额外说明 #

• 若不确定模型的类别顺序，可以运行print(clf.classes_)查看，输出结果应为[0 1 2]，确保class_labels的顺序与之对应
• 之前使用class_names=cols无效，是因为cols是特征列的名称集合，和分类任务的类别完全无关

内容的提问来源于stack exchange，提问作者TibbyMan