scikit-learn Pipeline下调用plot_tree绘制决策树触发NotFittedError

Pipeline在完成单次fit调用后不会失效，你遇到的绘图环节报错，完全是因为传错了plot_tree的输入对象，和Pipeline本身的拟合状态没有任何关系。你可以反复调用已拟合Pipeline的predict、score等方法，状态会一直保持正常，不存在单次fit后就失效的问题。

你执行预测、计算分类报告时，调用的是组装完成后被你显式调用过fit方法的Pipeline实例本身。这个实例已经完整存储了所有预处理模块的拟合参数、决策树分类器的训练结构，Python变量直接指向这个已训练的Pipeline对象，因此可以正常完成推理、指标计算全流程。

你调用plot_tree时传入的decisiontree_entropy_model_clf是和本次训练流程完全脱钩的未拟合对象：

• scikit-learn的Pipeline在执行fit时，会对每个步骤传入的估计器做深克隆操作，再用克隆出的新对象完成拟合流程。你在定义Pipeline时初始创建、赋值给decisiontree_entropy_model_clf的那个原始空决策树对象，从来没有被Pipeline内部的拟合流程修改过，自创建完成后始终是未调用fit的空白状态。
• 你没有从已训练完成的Pipeline实例里取出内部已拟合的决策树子模块，反而把这个从未拟合的原始对象传给了plot_tree，自然会触发NotFittedError。

plot_tree仅支持传入经过拟合的独立决策树对象，不支持直接传入带预处理步骤的复合Pipeline结构
正确操作流程是先从已拟合的Pipeline中按步骤名取出内部的决策树子模块，再传给plot_tree：

# 假设你的完整Pipeline最后一个步骤命名为"clf"，先取出已拟合的子模块
fitted_tree = your_pipeline.named_steps["clf"]
# 再传入plot_tree完成绘制，可搭配特征名、类别名参数优化展示效果
plot_tree(fitted_tree, feature_names=..., class_names=...)

• 不要把空白的原始分类器实例直接传给绘图函数：不管你有没有把这个实例塞进Pipeline，只要这个对象本身没有被直接调用过fit，传入绘图函数就会报未拟合错误
• 不要将整个Pipeline直接传给plot_tree：Pipeline是带多步骤预处理的复合结构，不符合plot_tree的输入要求，强行传入也会触发类型或拟合状态报错
• 取Pipeline内部子模块时要和步骤定义的key名严格对应，避免拼写错误取到不存在的对象

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