如何从含特征选择的GridSearchCV流水线中提取特征并导出决策树

DevOps 小满

2026-9-25

报错原因说明

`export_graphviz`要求传入训练完成的决策树分类器实例，你传入的`GridSearchCV`是调参容器，本身不是决策树模型，自然没有`n_features_`属性。

1. 获取feature_selection筛选后的特征列名

首先确认原始特征名来源：

若输入X是Pandas的DataFrame，原始特征名直接取X.columns.tolist()即可
若X是numpy数组，手动替换为你自定义的特征名列表
之后从最优流水线中提取筛选掩码，过滤得到选中的特征名：

# 获取拟合完成的最优流水线
best_pipeline = grid.best_estimator_
# 提取特征选择器实例
selector = best_pipeline.named_steps['feature_selection']
# 原始特征名，非DataFrame输入请自行替换为自定义特征列表
original_features = X.columns.tolist()
# 用get_support()返回的布尔掩码筛选选中的特征
selected_features = [feat for feat, is_selected in zip(original_features, selector.get_support()) if is_selected]

2. 正确导出训练好的决策树

从最优流水线中提取训练完成的决策树实例，传入export_graphviz即可：

from io import StringIO
from sklearn.tree import export_graphviz

# 提取最优决策树模型
best_tree = best_pipeline.named_steps['dec_tree']

dot_data = StringIO()
export_graphviz(best_tree, 
                out_file=dot_data,  
                filled=True, 
                rounded=True,
                special_characters=True,
                feature_names = selected_features,
                class_names=['0','1'])

额外注意项

你定义的参数字典存在重复键问题：

parameteres = {'dec_tree__max_depth':[list(range(1,X.shape[1]+1,1))],
                      'dec_tree__criterion':['gini', 'entropy'],
                      'dec_tree__max_depth':[2,4,6,8,10,12]}