export_graphvizによる決定木の可視化の手順

2023年7月3日
2023年7月3日
Python
1409回
0件

Python

「決定木」は機械学習のアルゴリズムの一つで、その名の通り木のような構造を持つモデルです。この記事では、決定木の視覚化について解説します。視覚化は、モデルの動作を理解し結果を解釈するための強力なツールですのでぜひご参考にしてください。

まず、決定木の視覚化を行うためには、sklearn.treeのexport_graphviz関数を使用します。この関数を使用すると、決定木の構造を.dot形式のファイルとして出力できます。このファイルを読み込むことで、決定木の視覚化が可能になります。

export_graphviz関数は、以下の主要な引数を取ります。

– `decision_tree`: 可視化したい決定木のモデルを指定します。
– `out_file`: 生成されたグラフの出力先のファイル名を指定します。
– `feature_names`: 特徴量の名前のリストを指定します。これにより、グラフ上のノードで特徴量を参照する際に、特徴量の名前が表示されます。
– `class_names`: 目的変数のクラスの名前を指定します。これにより、グラフ上のノードでクラスを参照する際に、クラスの名前が表示されます。
– `filled`: Trueに設定すると、ノードがクラスによって色分けされます。
– `rounded`: Trueに設定すると、ノードの角が丸くなります。

以下に、決定木の視覚化のための一連のコードを示します。

# 必要なライブラリのインポート
from sklearn.tree import DecisionTreeClassifier as DT
from sklearn.tree import export_graphviz
from matplotlib import pyplot as plt
from PIL import Image
import pydotplus
import io

# パラメータの設定
MAX_DEPTH = 2
RANDOM_STATE = 0
OUT_FILE = "tree.dot"

def train_decision_tree(train_X, train_y, max_depth, random_state):
    # 決定木のモデル(tree)の構築と学習
    tree = DT(max_depth=max_depth, random_state=random_state)
    tree.fit(train_X, train_y)
    return tree

def visualize_tree(tree, out_file, feature_names, class_names):
    # 決定木グラフの出力
    export_graphviz(
        tree, 
        out_file=out_file, 
        feature_names=feature_names, 
        class_names=class_names, 
        filled=True, 
        rounded=True
    )
    
    # 決定木グラフの表示
    g = pydotplus.graph_from_dot_file(path=out_file)
    gg = g.create_png()
    img = io.BytesIO(gg)
    img2 = Image.open(img)
    plt.figure(figsize=(img2.width/100, img2.height/100), dpi=100)
    plt.imshow(img2)
    plt.axis("off")  # 軸の非表示
    plt.show()  # 画像の表示
    

# 決定木の学習
tree = train_decision_tree(train_X, train_y, MAX_DEPTH, RANDOM_STATE)

# 決定木の可視化
visualize_tree(tree, OUT_FILE, train_X.columns, ["0","1"])

出力されるのは以下のような画像です。

画面上でうまく表示できない場合は、以下の命令でpngファイルに変換できるのでファイル出力の上でご覧ください。

import os

# PNGに変換
os.system('dot -Tpng tree.dot -o tree.png')

それぞれの項目について、初めて見た時には何を意味しているのか分からないと思うので、以下説明を付しておきます。

gini: ジニ不純度を表します。ジニ不純度は、そのノードに含まれるサンプルが純粋（すなわち、すべて同じクラスに属する）でない程度を表す指標です。ジニ不純度が0であれば、そのノードに含まれるすべてのサンプルが同じクラスに属しています。ジニ不純度が大きいほど、そのノードには複数のクラスのサンプルが混在しています。
samples: そのノードに含まれるサンプルの総数を表します。
value: 各クラスに属するサンプルの数を表します。例えば、二項分類の場合、value = [10, 5]は、そのノードにはクラス0に属するサンプルが10個、クラス1に属するサンプルが5個あることを意味します。
class: そのノードに最も多くのサンプルが属するクラスを表します。つまり、そのノードが最終的にどのクラスに分類されるかを示します。

可視化してみると分岐の様子がよくわかりますよね。今回付けた図の例ではクラス1への分類がまだ奇麗にできていないように見えます(ジニ係数が高く、valueも混在している)。

このような場合は木をもう少し深くした方がよさそうですが、木を深くすると人間の目には見にくくなってきます。以下はmax_depth=6のケースです。