目前无论是机器学习竞赛还是工业界,最流行、应用最广泛的xgboost其实是优化后的GBDT（LightGBM里面的boosting比较经典稳定的也是GBDT哦！），而GBDT的基分类器最常用的就是CART决策树！掌握决策树，对理解之后的GBDT、LightGBM都有大有裨益。
可视化的方式理解决策树，对深刻理解这个模型很有帮助。大家最熟知的决策树可视化实现方式是下面这种：
dot_data = export_graphviz( clf, out_file=None, feature_names=df.columns[:-1], class_names=["good", "bad"], filled=True, rounded=True, special_characters=True, ) graph2 = pydotplus.graph_from_dot_data(dot_data) graph2.write_png("./pics/tree.png")
这种方法很好地展示了树的结构，但并不完美：
1、基尼系数会占用图中的空间，并且不利于解释
2、每个节点中各目标类别的样本数不够直观
今天向大家介绍一个更为惊艳的决策树可视化库——dtreeviz ，我们直接看几张效果图
dtreeviz有以下特色：
- 利用有颜色的目标类别图例
- 叶子大小与该叶子中的样本数成正比
- 将≥和<用作边缘标签，看起来更清晰
- 决策节点利用堆叠直方图展示特征分布，每个目标类别都会用不同的颜色显示
- 在每个节点中各目标类别的样本数都用直方图的形式，这样可以提供更多信息
dtreeviz同样依赖GraphViz，其安装配置方法可以参考我之前的文章（点击直达：决策树的可视化）
GraphViz 搞定后，安装dtreeviz即可
pip install dtreeviz # install dtreeviz for sklearn pip install dtreeviz[xgboost] # install XGBoost related dependency pip install dtreeviz[pyspark] # install pyspark related dependency pip install dtreeviz[lightgbm] # install LightGBM related dependency
使用也很简单
