.. DO NOT EDIT. .. THIS FILE WAS AUTOMATICALLY GENERATED BY SPHINX-GALLERY. .. TO MAKE CHANGES, EDIT THE SOURCE PYTHON FILE: .. "auto_examples/tree/plot_unveil_tree_structure.py" .. LINE NUMBERS ARE GIVEN BELOW. .. only:: html .. note:: :class: sphx-glr-download-link-note :ref:`Go to the end ` to download the full example code. or to run this example in your browser via JupyterLite or Binder .. rst-class:: sphx-glr-example-title .. _sphx_glr_auto_examples_tree_plot_unveil_tree_structure.py: ======================== فهم بنية شجرة القرار ======================== يمكن تحليل بنية شجرة القرار للحصول على نظرة ثاقبة حول العلاقة بين الميزات والهدف المراد التنبؤ به. في هذا المثال، نُظهر كيفية استرجاع: - بنية الشجرة الثنائية؛ - عمق كل عقدة وما إذا كانت ورقة أم لا؛ - العقد التي تم الوصول إليها بواسطة عينة باستخدام طريقة ``decision_path``؛ - الورقة التي تم الوصول إليها بواسطة عينة باستخدام طريقة التطبيق؛ - القواعد التي تم استخدامها للتنبؤ بعينة؛ - مسار القرار المشترك بين مجموعة من العينات. .. GENERATED FROM PYTHON SOURCE LINES 17-29 .. code-block:: Python # المؤلفون: مطوري سكايلرن # معرف الترخيص: BSD-3-Clause import numpy as np from matplotlib import pyplot as plt from sklearn import tree from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.tree import DecisionTreeClassifier .. GENERATED FROM PYTHON SOURCE LINES 30-34 تدريب مصنف الشجرة --------------------- أولاً، نقوم بضبط مصنف :class:`~sklearn.tree.DecisionTreeClassifier` باستخدام مجموعة بيانات :func:`~sklearn.datasets.load_iris`. .. GENERATED FROM PYTHON SOURCE LINES 34-43 .. code-block:: Python iris = load_iris() X = iris.data y = iris.target X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0) clf = DecisionTreeClassifier(max_leaf_nodes=3, random_state=0) clf.fit(X_train, y_train) .. raw:: html

DecisionTreeClassifier(max_leaf_nodes=3, random_state=0)

In a Jupyter environment, please rerun this cell to show the HTML representation or trust the notebook.
On GitHub, the HTML representation is unable to render, please try loading this page with nbviewer.org.

.. GENERATED FROM PYTHON SOURCE LINES 44-75 بنية الشجرة -------------- لمصنف القرار خاصية تسمى ``tree_`` والتي تسمح بالوصول إلى الخصائص منخفضة المستوى مثل ``node_count``، العدد الإجمالي للعقد، و ``max_depth``، العمق الأقصى للشجرة. طريقة ``tree_.compute_node_depths()`` تحسب عمق كل عقدة في الشجرة. `tree_` تخزن أيضًا بنية الشجرة الثنائية الكاملة، ممثلة كعدد من المصفوفات المتوازية. العنصر i-th من كل مصفوفة يحتوي على معلومات حول العقدة ``i``. العقدة 0 هي جذر الشجرة. بعض المصفوفات تنطبق فقط إما على الأوراق أو عقد الانقسام. في هذه الحالة، تكون قيم عقد النوع الآخر عشوائية. على سبيل المثال، المصفوفات ``feature`` و ``threshold`` تنطبق فقط على عقد الانقسام. لذلك، تكون قيم عقد الأوراق في هذه المصفوفات عشوائية. من بين هذه المصفوفات، لدينا: - ``children_left[i]``: معرف العقدة اليسرى للعقدة ``i`` أو -1 إذا كانت عقدة ورقة - ``children_right[i]``: معرف العقدة اليمنى للعقدة ``i`` أو -1 إذا كانت عقدة ورقة - ``feature[i]``: الميزة المستخدمة لتقسيم العقدة ``i`` - ``threshold[i]``: قيمة العتبة في العقدة ``i`` - ``n_node_samples[i]``: عدد العينات التدريبية التي تصل إلى العقدة ``i`` - ``impurity[i]``: عدم النقاء في العقدة ``i`` - ``weighted_n_node_samples[i]``: العدد المرجح لعينات التدريب التي تصل إلى العقدة ``i`` - ``value[i, j, k]``: ملخص عينات التدريب التي وصلت إلى العقدة i لل الإخراج j والصنف k (لشجرة الانحدار، يتم تعيين الصنف إلى 1). انظر أدناه لمزيد من المعلومات حول ``value``. باستخدام المصفوفات، يمكننا عبور بنية الشجرة لحساب خصائص مختلفة. أدناه، سنحسب عمق كل عقدة وما إذا كانت ورقة أم لا. .. GENERATED FROM PYTHON SOURCE LINES 75-128 .. code-block:: Python n_nodes = clf.tree_.node_count children_left = clf.tree_.children_left children_right = clf.tree_.children_right feature = clf.tree_.feature threshold = clf.tree_.threshold values = clf.tree_.value node_depth = np.zeros(shape=n_nodes, dtype=np.int64) is_leaves = np.zeros(shape=n_nodes, dtype=bool) stack = [(0, 0)] # ابدأ بمعرف العقدة الجذر (0) وعمقه (0) while len(stack) > 0: # `pop` يضمن زيارة كل عقدة مرة واحدة فقط node_id, depth = stack.pop() node_depth[node_id] = depth # إذا كان الطفل الأيسر والطفل الأيمن للعقدة ليسا متساويين، فإن لدينا عقدة انقسام # is_split_node = children_left[node_id] != children_right[node_id] # إذا كانت عقدة انقسام، أضف الطفل الأيسر والطفل الأيمن والعمق إلى `stack` # حتى نتمكن من المرور خلالهم if is_split_node: stack.append((children_left[node_id], depth + 1)) stack.append((children_right[node_id], depth + 1)) else: is_leaves[node_id] = True print( "The binary tree structure has {n} nodes and has " "the following tree structure:\n".format(n=n_nodes) ) for i in range(n_nodes): if is_leaves[i]: print( "{space}node={node} is a leaf node with value={value}.".format( space=node_depth[i] * "\t", node=i, value=np.around(values[i], 3) ) ) else: print( "{space}node={node} is a split node with value={value}: " "go to node {left} if X[:, {feature}] <= {threshold} " "else to node {right}.".format( space=node_depth[i] * "\t", node=i, left=children_left[i], feature=feature[i], threshold=threshold[i], right=children_right[i], value=np.around(values[i], 3), ) ) .. rst-class:: sphx-glr-script-out .. code-block:: none The binary tree structure has 5 nodes and has the following tree structure: node=0 is a split node with value=[[0.33 0.304 0.366]]: go to node 1 if X[:, 3] <= 0.800000011920929 else to node 2. node=1 is a leaf node with value=[[1. 0. 0.]]. node=2 is a split node with value=[[0. 0.453 0.547]]: go to node 3 if X[:, 2] <= 4.950000047683716 else to node 4. node=3 is a leaf node with value=[[0. 0.917 0.083]]. node=4 is a leaf node with value=[[0. 0.026 0.974]]. .. GENERATED FROM PYTHON SOURCE LINES 129-159 ما هو مصفوفة القيم المستخدمة هنا؟ ----------------------------------- مصفوفة `tree_.value` هي مصفوفة ثلاثية الأبعاد من الشكل [``n_nodes``، ``n_classes``، ``n_outputs``] والتي توفر نسبة العينات التي تصل إلى عقدة لكل صنف ولكل إخراج. لكل عقدة مصفوفة ``value`` والتي هي نسبة العينات المرجحة التي تصل إلى هذه العقدة لكل إخراج وصنف فيما يتعلق بالعقدة الأصل. يمكن للمرء تحويل هذا إلى العدد المطلق للعينات المرجحة التي تصل إلى عقدة، من خلال ضرب هذا العدد بـ `tree_.weighted_n_node_samples[node_idx]` للعقدة المعطاة. لاحظ أن أوزان العينات لا تستخدم في هذا المثال، لذلك العدد المرجح للعينات هو عدد العينات التي تصل إلى العقدة لأن كل عينة لها وزن 1 بشكل افتراضي. على سبيل المثال، في الشجرة أعلاه المبنية على مجموعة بيانات الزهرة، تحتوي العقدة الجذر على ``value = [0.33, 0.304, 0.366]`` مما يشير إلى وجود 33% من العينات من الصنف 0، 30.4% من العينات من الصنف 1، و 36.6% من العينات من الصنف 2 في العقدة الجذر. يمكن للمرء تحويل هذا إلى العدد المطلق للعينات من خلال الضرب في عدد العينات التي تصل إلى العقدة الجذر، والتي هي `tree_.weighted_n_node_samples[0]`. ثم تحتوي العقدة الجذر على ``value = [37, 34, 41]``، مما يشير إلى وجود 37 عينة من الصنف 0، و 34 عينة من الصنف 1، و 41 عينة من الصنف 2 في العقدة الجذر. عند عبور الشجرة، تنقسم العينات ونتيجة لذلك، تتغير مصفوفة ``value`` التي تصل إلى كل عقدة. الطفل الأيسر للعقدة الجذر لديه ``value = [1., 0, 0]`` (أو ``value = [37, 0, 0]`` عند تحويلها إلى العدد المطلق للعينات) لأن جميع العينات الـ 37 في العقدة الطفل اليسرى هي من الصنف 0. ملاحظة: في هذا المثال، `n_outputs=1`، ولكن يمكن لمصنف الشجرة أيضًا التعامل مع المشاكل متعددة الإخراج. ستكون مصفوفة `value` في كل عقدة مجرد مصفوفة ثنائية الأبعاد بدلاً من ذلك. .. GENERATED FROM PYTHON SOURCE LINES 161-164 يمكننا مقارنة الإخراج أعلاه برسم شجرة القرار. هنا، نُظهر نسب عينات كل صنف التي تصل إلى كل عقدة مطابقة للعناصر الفعلية لمصفوفة `tree_.value`. .. GENERATED FROM PYTHON SOURCE LINES 164-168 .. code-block:: Python tree.plot_tree(clf, proportion=True) plt.show() .. image-sg:: /auto_examples/tree/images/sphx_glr_plot_unveil_tree_structure_001.png :alt: plot unveil tree structure :srcset: /auto_examples/tree/images/sphx_glr_plot_unveil_tree_structure_001.png :class: sphx-glr-single-img .. GENERATED FROM PYTHON SOURCE LINES 169-186 مسار القرار ------------- يمكننا أيضًا استرجاع مسار القرار لعينات الاهتمام. طريقة ``decision_path`` تُخرج مصفوفة مؤشر تسمح لنا باسترجاع العقد التي تمر عبرها عينات الاهتمام. عنصر غير صفري في مصفوفة المؤشر في الموضع ``(i, j)`` يشير إلى أن العينة ``i`` تمر عبر العقدة ``j``. أو، لعينة واحدة ``i``، تحدد مواضع العناصر غير الصفرية في الصف ``i`` من مصفوفة المؤشر معرّفات العقد التي تمر عبرها العينة. يمكن الحصول على معرّفات الأوراق التي وصلت إليها عينات الاهتمام باستخدام طريقة ``apply``. هذا يعيد مصفوفة من معرّفات عقد الأوراق التي وصلت إليها كل عينة من عينات الاهتمام. باستخدام معرّفات الأوراق و ``decision_path`` يمكننا الحصول على شروط التقسيم التي تم استخدامها للتنبؤ بعينة أو مجموعة من العينات. أولاً، دعنا نفعل ذلك لعينة واحدة. لاحظ أن ``node_index`` هي مصفوفة نادرة. .. GENERATED FROM PYTHON SOURCE LINES 186-220 .. code-block:: Python node_indicator = clf.decision_path(X_test) leaf_id = clf.apply(X_test) sample_id = 0 # الحصول على معرّفات العقد التي تمر عبرها العينة `sample_id`، أي الصف `sample_id` node_index = node_indicator.indices[ node_indicator.indptr[sample_id] : node_indicator.indptr[sample_id + 1] ] print("Rules used to predict sample {id}:\n".format(id=sample_id)) for node_id in node_index: # استمر إلى العقدة التالية إذا كانت عقدة ورقة if leaf_id[sample_id] == node_id: continue # تحقق إذا كانت قيمة ميزة التقسيم للعينة 0 أقل من العتبة if X_test[sample_id, feature[node_id]] <= threshold[node_id]: threshold_sign = "<=" else: threshold_sign = ">" print( "decision node {node} : (X_test[{sample}, {feature}] = {value}) " "{inequality} {threshold})".format( node=node_id, sample=sample_id, feature=feature[node_id], value=X_test[sample_id, feature[node_id]], inequality=threshold_sign, threshold=threshold[node_id], ) ) .. rst-class:: sphx-glr-script-out .. code-block:: none Rules used to predict sample 0: decision node 0 : (X_test[0, 3] = 2.4) > 0.800000011920929) decision node 2 : (X_test[0, 2] = 5.1) > 4.950000047683716) .. GENERATED FROM PYTHON SOURCE LINES 221-222 لمجموعة من العينات، يمكننا تحديد العقد المشتركة التي تمر عبرها العينات. .. GENERATED FROM PYTHON SOURCE LINES 222-234 .. code-block:: Python sample_ids = [0, 1] # مصفوفة منطقية تشير إلى العقد التي تمر عبرها كلتا العينتين common_nodes = node_indicator.toarray()[sample_ids].sum(axis=0) == len(sample_ids) # الحصول على معرّفات العقد باستخدام الموضع في المصفوفة common_node_id = np.arange(n_nodes)[common_nodes] print( "\nThe following samples {samples} share the node(s) {nodes} in the tree.".format( samples=sample_ids, nodes=common_node_id ) ) print("This is {prop}% of all nodes.".format(prop=100 * len(common_node_id) / n_nodes)) .. rst-class:: sphx-glr-script-out .. code-block:: none The following samples [0, 1] share the node(s) [0 2] in the tree. This is 40.0% of all nodes. .. rst-class:: sphx-glr-timing **Total running time of the script:** (0 minutes 0.093 seconds) .. _sphx_glr_download_auto_examples_tree_plot_unveil_tree_structure.py: .. only:: html .. container:: sphx-glr-footer sphx-glr-footer-example .. container:: binder-badge .. image:: images/binder_badge_logo.svg :target: https://mybinder.org/v2/gh/scikit-learn/scikit-learn/main?urlpath=lab/tree/notebooks/auto_examples/tree/plot_unveil_tree_structure.ipynb :alt: Launch binder :width: 150 px .. container:: lite-badge .. image:: images/jupyterlite_badge_logo.svg :target: ../../lite/lab/index.html?path=auto_examples/tree/plot_unveil_tree_structure.ipynb :alt: Launch JupyterLite :width: 150 px .. container:: sphx-glr-download sphx-glr-download-jupyter :download:`Download Jupyter notebook: plot_unveil_tree_structure.ipynb ` .. container:: sphx-glr-download sphx-glr-download-python :download:`Download Python source code: plot_unveil_tree_structure.py ` .. container:: sphx-glr-download sphx-glr-download-zip :download:`Download zipped: plot_unveil_tree_structure.zip ` .. include:: plot_unveil_tree_structure.recommendations .. only:: html .. rst-class:: sphx-glr-signature `Gallery generated by Sphinx-Gallery `_