我们以iris为例：
from sklearn import tree from sklearn.datasets import load_iris iris = load_iris() clf = tree.DecisionTreeClassifier()
生成如下决策树：
第一步：去官网下载graphviz
建议安装到 自己的anaconda下的 \Lib\site-packages\ 里面去
第二步：改名字
比如我刚刚安装到了自己的anaconda下的 \Lib\site-packages\ 里面，文件名默认是大写的Graphviz，为了方便，我们改为graphviz。
第三步：配置环境变量
在系统、用户环境变量中添加路径：C:\Anaconda01\Lib\site-packages\graphviz\bin
当然如果你在安装时把那个添加环境变量打勾了就不用管了。
第四步：在对应的python环境下下载graphviz
pip install graphviz
此时，C:\Anaconda01\Lib\site-packages\graphviz 这个文件发生变化了，里面多了些python文件
第五步：简单演示
以一组英雄联盟胜负数据为例：连接这里有
from sklearn import tree from graphviz import sources DT = tree.DecisionTreeClassifier(criterion='entropy',max_depth=4,min_samples_split=500) DT = DT.fit(x_train,y_train) # export_graphviz 还支持各种美化，包括通过他们的类着色节点（或回归值）， # 如果需要，还能使用显式变量和类名。Jupyter notebook也可以自动内联式渲染这些绘制节点: dot_data = tree.export_graphviz(DT, out_file=None, feature_names=feature_names, class_names=['lose','win'], filled=True, rounded=True, special_characters=True) graph = sources.Source(dot_data) graph.render("DT") # 保存成pdf graph
可以看到，左边蓝色方都输了，右边都赢了，中间有输有赢。
此外 graphviz 还有多种用法，可以自己设置节点等，感兴趣的可以自己进行查阅。
