Python scikit学习树外分类器和随机森林分类器图

我试图制作一些图表来说明scikit learn中RandomForestClassifier和ExtraTreeClassifier之间的区别。我想我可能已经弄明白了，但我不确定。以下是我的代码，用于拟合和绘制iris数据集，包括：

import numpy as np
from sklearn.datasets import load_iris
from sklearn.externals.six import StringIO 
from sklearn import tree
import pydot

iris = load_iris()

X = iris.data
y = iris.target

clf = tree.ExtraTreeClassifier()

clf = clf.fit(iris.data, iris.target)


dot_data = StringIO() 
tree.export_graphviz(clf, out_file=dot_data) 
graph = pydot.graph_from_dot_data(dot_data.getvalue()) 
file_name = "et_iris.pdf"
graph.write_pdf(file_name) 

clf = tree.DecisionTreeClassifier()

clf = clf.fit(iris.data, iris.target)


dot_data = StringIO() 
tree.export_graphviz(clf, out_file=dot_data) 
graph = pydot.graph_from_dot_data(dot_data.getvalue()) 
file_name = "rdf_iris.pdf"
graph.write_pdf(file_name) 

这样生成的图似乎是正确的，ET图比决策树图“更浓密”

DecisionTreeClassifier与RandomForestClassifier中的一棵树相同，ExtraTreeClassifier与ExtraTreeClassifier中的一棵树相同，这一点是否正确

对于实际RDF或ET分类器中的所有树，有没有办法做到这一点？我尝试在森林中使用.evaluators，但他们似乎没有导出方法

---

导出图形viz

不是一种方法，而是一种函数。没有一棵树“拥有”它。您可以将其与

估计器一起使用。
关于
ExtraTreeClassifier
是
ExtraTreeClassifier
中的一棵树和
DecisionTreeClassifier
是
RandomForestClassifier
中的一棵树，您是对的。然而，这并没有真正涵盖它，因为：


RandomForestClassifier
分别为每个树引导数据集，
extratreeClassifier
不引导（默认情况下）

max_features=n_features
默认情况下，对于单个树，即所有特征都可以在每个分割中使用

因此，如果我自己为DecisionTreeClassifier创建一个引导样本，并输入一个功能子集，它将是等效的。全局地对功能进行二次采样是不等效的。但是你可以在树上设置max_特征：（每次分割都会单独采样）谢谢…我得到了我想要的，这是不同树“外观”的比较。