有没有办法手动修改从给定数据集学习的决策树中设置的阈值？

Question

我正在尝试使用 scikit-learn 的模块创建决策树模型：tree。生成模型后，我将树和决策所依据的标准可视化。但是，我希望手动修改某些条件中的阈值，以查看输出如何变化。有什么方法可以这样做吗？或者任何库一旦从数据集中学习了所需的阈值，就会将决策树转换为一堆 if-else 语句，反之亦然？

我知道模块选择的阈值是基于一些不纯度指标，如基尼不纯度、信息增益等。但是，我仍然想试验这些阈值。

谢谢！

Answer 1

是的，您可以轻松做到这一点。

A sklearn 决策树通过 tree_ 属性公开其底层树。这个 tree_ 有一个属性 threshold，它是一个包含所有节点阈值的 numpy 数组。您可以修改此数组，从而更改阈值。

例如：

X,y = load_breast_cancer(return_X_y=True)
dt = DecisionTreeClassifier(max_depth=3).fit(X,y)
print(dt.tree_.threshold)     #All the thresholds, size equals "dt.tree_.node_count"
dt.tree_.threshold[3] = 10.0  #Manually modifying a threshold

为了验证，如果您比较此修改前后的单独测试集的准确性（假设您修改了非叶节点），您应该注意到一个变化（可能更糟）。

有没有办法手动修改从给定数据集学习的决策树中设置的阈值？

Is there any way to manually modify the thresholds set in the decision tree learnt from a given dataset?

python

machine-learning

decision-tree

scikit-learn