Python 如何在sklearn中手动更改决策树的特征值？

在scikit学习中，如果我从

RandomForestClassifer().estimators_

有没有办法手动更改某些功能？我可以使用

for estimator in rfc.estimators_:
    for feature in estimator.tree_.feature:

---

但在这种情况下，我想手动更改该功能。我该怎么做呢？

如果我正确理解了您的问题，那么您想更改随机林中决策树的参数吗？我不太清楚你为什么要这么做

我将把解决方案分成两部分

首先，我们将尝试更改决策树的参数

from sklearn.tree import DecisionTreeClassifier
from sklearn.datasets import load_iris

clf = DecisionTreeClassifier(random_state=0)

iris = load_iris()

clf.fit(iris.data,iris.target)
#DecisionTreeClassifier(class_weight=None, criterion='gini', max_depth=None,
#       max_features=None, max_leaf_nodes=None,
#        min_impurity_decrease=0.0, min_impurity_split=None,
#        min_samples_leaf=1, min_samples_split=2,
#        min_weight_fraction_leaf=0.0, presort=False, random_state=0,
#        splitter='best')

#Now extract the parameters
parameters_dt = clf.get_params()

#Now change the parameter you want
parameters_dt['max_depth'] = 3

#Now create a new classifier
new_clf = DecisionTreeClassifier(**parameters_dt)
#DecisionTreeClassifier(class_weight=None, criterion='gini', max_depth=2,
#        max_features=None, max_leaf_nodes=None,
#        min_impurity_decrease=0.0, min_impurity_split=None,
#        min_samples_leaf=1, min_samples_split=2,
#        min_weight_fraction_leaf=0.0, presort=False, random_state=0,
#        splitter='best')

现在让我们回到随机森林

from sklearn.ensemble import RandomForestClassifier
from sklearn.tree import DecisionTreeClassifier
from sklearn.datasets import make_classification

X, y = make_classification(n_samples=1000, n_features=4,
                        n_informative=2, n_redundant=0,
                       random_state=0, shuffle=False)

clf = RandomForestClassifier(max_depth=2, random_state=0)

clf.fit(X, y)

clf_list = clf.estimators_
for idx in range(0,len(clf_list)):
    #Get the current Decision Tree in Random Forest
    estimator = clf_list[idx]

    #Get the params
    temp_params = estimator.get_params()

    #Change the params you want
    temp_params['max_depth'] = 3

    #Create a new decision tree
    temp_decision_tree = DecisionTreeClassifier(**temp_params)

    #Remove the old decision tree
    clf.estimators_.pop(idx)

    #Then insert the new decision tree at the current position
    clf.estimators_.insert(idx, temp_decision_tree)

---

注意：这可能没有您想要的效果。我的意思是它可能不会产生您想要的准确分类器。

这与我想要的非常接近，谢谢。我的目标不是用新参数创建新树，而是简单地更改决策树中的节点。原因是我正在处理的树中的节点是（x，y，z）坐标，其值关联为决策点。我想看看，如果我在某个n-球中移动坐标，决策树会发生多大的变化。总的来说，我希望能够手动编辑已构建决策树的节点。在您的情况下，您实际上无法编辑节点以查看更改。您更改的任何节点参数都将反映在整个树中，因此不会产生任何差异。对于e、 g.不能将某些节点的属性

max\u depth

设置为2，而将其他节点的属性

max\u depth

设置为3。这些参数始终保持不变，但不同的最大深度属性没有意义，不。我想做的是更改节点正在询问的特定“问题”。如果决策树上的一个节点说“如果X>5，那么在树中向左走”我想将X更改为某个值。该决策基于熵阈值或最小阈值，该阈值在整个树中是固定的。那是不可能的。我想说的是，你设置的任何规则或属性在整个树中都是固定的。明白了。非常感谢。那么，是否可以手动构建决策树？即逐节点？我想不会。