lightgbm.create_tree_digraph仅显示单个特征 如何实现全部特征的树可视化

• 训练参数限制：你设置的feature_fraction=0.1代表每棵树训练时仅随机抽取10%的特征用于节点分裂，你总共只有12个训练特征，计算下来单棵树最多用到2个特征，所以单棵树可视化时仅出现Purpose_Of_Loan一个特征属于正常情况。
• 可视化默认逻辑限制：lightgbm.create_tree_digraph默认仅渲染第一棵树（tree_index=0），单棵树的分裂节点数量有限，本身就不可能覆盖全部12个训练特征。

1. 调整训练参数（如需单棵树覆盖更多特征）
   将feature_fraction参数调整为0.8~1，提升单棵树可使用的特征比例，调整后重新训练模型，单棵树可视化时会出现更多特征。参数修改示例：

clf = LGBMClassifier(nthread=4,
                    n_estimators=100, 
                    learning_rate=0.05,
                    bagging_fraction= 1, 
                    feature_fraction= 0.8, # 原参数为0.1
                    lambda_l1= 5, 
                    lambda_l2= 0, 
                    max_depth= 5, 
                    min_child_weight= 5, 
                    min_split_gain= 0.001, 
                    is_unbalance = True,
                    num_leaves= 36)

注意：feature_fraction参数调整会影响模型的泛化能力和训练效果，修改后需要重新验证模型指标是否符合预期。

2. 查看多棵树的结构
   不需要调整训练参数的前提下，可以通过指定tree_index参数查看不同树的结构，遍历所有树即可看到全部特征的使用情况。示例代码如下（查看第6棵树）：

viz = lightgbm.create_tree_digraph(clf.booster_, tree_index=5)
viz

3. 输出特征重要性验证特征参与情况
   如果仅需确认所有12个特征都参与了模型训练，无需查看树结构，直接输出特征重要性即可：

import pandas as pd
feature_imp = pd.DataFrame({
    "特征名": clf.feature_name_,
    "重要性得分": clf.feature_importances_
}).sort_values(by="重要性得分", ascending=False)
print(feature_imp)

如果输出结果包含全部12个特征，说明所有特征都正常参与模型训练，仅单棵树未用到其余特征，无需额外调整。

内容的提问来源于stack exchange，提问作者Kevin M