鸢尾花数据集决策树：如何提取、可视化versicolor类决策规则？

规则提取实现 #

现有代码已经完成了决策树全量叶节点路径的规则生成，只需要增加一步类别匹配过滤，就能拿到目标类别的专属规则：

• 设定需要提取的目标类别名（本示例为versicolor）
• 遍历全量规则字符串，匹配规则中输出类别字段与目标类别名一致的条目，即为该类别的专属决策规则

对应补充代码如下：

# 定义待提取规则的目标类别
target_class = "versicolor"

# 筛选匹配的目标规则
target_rules = [rule for rule in rules if f"class: {target_class}" in rule]

# 输出筛选结果
print(f"=== {target_class}类专属决策规则 ===")
for rule in target_rules:
    print(rule)

基于示例的训练结果，筛选得到的versicolor类专属规则为：

if (petal length (cm) > 2.45) and (petal width (cm) <= 1.75) and (petal length (cm) <= 4.95) then class: versicolor (proba: 97.92%) | based on 48 samples

规则可视化实现 #

可通过两种直观方式展示目标类别的规则，无需额外依赖外部工具：

1. 决策树结构高亮可视化 #

直接调用scikit-learn内置的决策树绘制接口，在完整树结构上用高亮边框标记所有判定为versicolor的叶节点路径：

plt.figure(figsize=(12, 8))
# 绘制基础决策树
tree.plot_tree(
    clf,
    feature_names=iris.feature_names,
    class_names=iris.target_names,
    filled=True,
    rounded=True
)
# 高亮versicolor类对应的叶节点
ax = plt.gca()
for patch in ax.patches:
    # 匹配iris数据集versicolor类的默认色块特征，设置红色加粗边框
    if patch.get_facecolor()[1] == 0.7:
        patch.set_edgecolor('red')
        patch.set_linewidth(3)
plt.title(f"决策树结构（红色边框为{target_class}类的判定路径）")
plt.show()

2. 规则文本清单可视化 #

将筛选得到的结构化规则渲染为清晰的文本展示页，直接呈现每条规则的判定条件、分类结果、置信度和覆盖样本量：

plt.figure(figsize=(10, 6))
plt.axis('off')
# 拼接规则文本
display_text = f"目标类别：{target_class}\n\n"
for idx, rule in enumerate(target_rules, 1):
    display_text += f"规则{idx}：\n{rule}\n\n"
plt.text(0.05, 0.95, display_text, fontsize=12, va='top')
plt.title("versicolor类专属决策规则清单")
plt.show()

效果说明 #

• 提取得到的规则为该类别的完整判定逻辑，覆盖所有会被判定为versicolor的样本路径
• 筛选过程完全基于已生成的规则文本匹配，不需要改动原有决策树遍历的核心逻辑，兼容性好
• 可视化输出可直接嵌入分析报告或演示材料，不需要额外处理

内容的提问来源于stack exchange，提问作者James P.