深入解析CART决策树流程图：从原理到工程实践

1次阅读

共计 2386 个字符，预计需要花费 6 分钟才能阅读完成。

在金融风控和医疗诊断等业务场景中，模型的可解释性往往比预测精度更重要。虽然 sklearn.tree.plot_tree 能生成基础决策树图示，但当遇到以下情况时就会捉襟见肘：

特征数量超过 20 个时，节点文字重叠无法辨认
无法动态展示基尼系数 (Gini Index) 和样本分布的变化过程
中文特征名称显示为乱码
浏览器嵌入时出现渲染错位

我们对比了三种主流方案的特点（测试环境：10 万样本 /50 特征数据集）：

工具	渲染速度	交互能力	部署难度	中文支持
Graphviz	★★★★☆	★★☆☆☆	★★★☆☆	需配置字体
d3.js	★★☆☆☆	★★★★★	★★☆☆☆	原生支持
Matplotlib	★★★☆☆	★☆☆☆☆	★★★★☆	需手动调整

工程选型建议：Graphviz 适合需要快速生成静态图的场景，d3.js 适合交互式分析看板，Matplotlib 更适合集成到 Jupyter Notebook 中。

from sklearn.tree import _tree

def get_tree_data(clf):
    tree_ = clf.tree_
    feature_names = clf.feature_names_in_

    # 递归提取节点信息
    def recurse(node, depth=0):
        if tree_.feature[node] != _tree.TREE_UNDEFINED:
            name = feature_names[tree_.feature[node]]
            threshold = tree_.threshold[node]
            return {
                'name': name,
                'threshold': round(threshold,2),
                'gini': round(tree_.impurity[node],3),
                'samples': tree_.n_node_samples[node],
                'children': [recurse(tree_.children_left[node], depth+1),
                    recurse(tree_.children_right[node], depth+1)
                ]
            }
        else:  # 叶子节点
            return {'value': tree_.value[node].tolist()[0],
                'samples': tree_.n_node_samples[node]
            }

    return recurse(0)  # 从根节点开始

时间复杂度分析：O(n)，n 为树节点总数

from graphviz import Digraph

def plot_advanced_tree(tree_data, filename):
    dot = Digraph(comment='Decision Tree', 
                 graph_attr={'dpi':'300'},
                 node_attr={'fontname':'Microsoft YaHei'})  # 指定中文字体

    def build_nodes(parent_name, node, node_id=0):
        current_name = f'node_{node_id}'

        if 'children' in node:  # 分裂节点
            label = f"{node['name']}≤{node['threshold']}\n" \
                   f"Gini={node['gini']}\n" \
                   f"Samples={node['samples']}"
            dot.node(current_name, label, shape='box')

            # 递归处理子节点
            build_nodes(current_name, node['children'][0], node_id*2+1)
            build_nodes(current_name, node['children'][1], node_id*2+2)

            # 添加连线
            dot.edge(current_name, f'node_{node_id*2+1}', label='True')
            dot.edge(current_name, f'node_{node_id*2+2}', label='False')
        else:  # 叶子节点
            class_ratio = [v/sum(node['value']) for v in node['value']]
            label = f"Class ratios: {class_ratio}\n" \
                   f"Samples={node['samples']}"
            dot.node(current_name, label, shape='ellipse')

    build_nodes(None, tree_data)
    dot.render(filename, format='png', cleanup=True)

对于年龄、收入等连续特征，建议先进行等频分箱（Pandas 的 qcut 函数），再将分箱边界作为分裂阈值。这可以避免出现类似 ”income≤32561.483″ 这样业务方难以理解的拆分点。