我正在寻找可视化回归使用 scikit learn 中的任何集成方法构建的树（梯度增强回归器、随机森林回归器、装袋回归器）。我看过这个问题很接近，并且这个问题它处理分类树。但这些问题需要“树”方法，而该方法不适用于 SKLearn 中的回归模型。
但似乎没有产生结果。
我遇到了问题，因为没有.tree这些树的回归版本的方法（该方法仅适用于分类版本）。
我想要一个类似的输出this但基于 scikit learn 构建的树。
我已经探索了与对象相关的方法，但无法给出答案。
正如我所评论的，分类和回归决策树图之间没有功能差异。改编回归玩具示例docs:
from sklearn import tree
X = [[0, 0], [2, 2]]
y = [0.5, 2.5]
clf = tree.DecisionTreeRegressor()
clf = clf.fit(X, y)
然后，类似地，分类中的一些代码docs关于graphviz:
import graphviz
dot_data = tree.export_graphviz(clf, out_file='tree.dot')
我们最终得到一个文件tree.dot，看起来像这样：
digraph Tree {
node [shape=box] ;
0 [label="X[0] <= 1.0\nmse = 1.0\nsamples = 2\nvalue = 1.5"] ;
1 [label="mse = 0.0\nsamples = 1\nvalue = 0.5"] ;
0 -> 1 [labeldistance=2.5, labelangle=45, headlabel="True"] ;
2 [label="mse = 0.0\nsamples = 1\nvalue = 2.5"] ;
0 -> 2 [labeldistance=2.5, labelangle=-45, headlabel="False"] ;
}
现在，您可以继续将其可视化，如文档中所示 - 但如果由于某种原因您无法渲染 Graphviz 对象，您可以使用方便的服务WebGraphviz（+1 到相关答案在链接的问题中）；结果如下：
你自己的答案，即一路安装graphlab仅仅为了可视化，听起来有点矫枉过正......
最后一点：不要被树布局的表面差异所欺骗，它们仅反映了相应可视化包的设计选择；您绘制的回归树（不可否认，它看起来不太像tree）在结构上类似于从文档中获取的分类 - 简单地想象一棵自上而下的树，您的odor顶部的节点，然后是绿色节点，最后是蓝色和橙色节点（并将“是/否”替换为“真/假”）...