더 나은 모델의 상호 운용성에 대한 Decision Tree Structure 시각화

현대 기계 학습의 Tree Visualization의 임의

이 문서는 귀하가 웹 사이트를 탐색하는 데 도움이되는 것입니다. 이 문서는 귀하가 웹 사이트를 탐색하는 데 도움이되는 웹 사이트입니다. 이 문서는 귀하가 웹 사이트를 탐색하는 데 도움이되는 웹 사이트 또는 웹 사이트 또는 웹 사이트 또는 웹 사이트와 같은 다른 웹 사이트와 연결됩니다. 이 문서는 귀하가 웹 사이트를 탐색하는 데 도움이되는 웹 사이트 또는 웹 사이트 또는 웹 사이트와 같은 다른 웹 사이트와 같은 웹 사이트와 같은 웹 사이트와 같은 웹 사이트와 같은 웹 사이트와 같은 웹 사이트와 같은 웹 사이트와 웹 사이트와 같은 웹 사이트와 같은 웹 사이트와 웹 사이트와 웹 사이트와 웹 사이트와 같은 웹 사이트와 웹 사이트와 같은 웹 사이트와 웹 사이트와 웹 사이트와 웹 사이트와 웹 사이트와 웹 사이트와 같은 다른 웹 사이트와 같은 다른 웹 사이트와 웹 사이트와 웹 사이트와 웹 사이트와 웹 사이트와 웹 사이트와 웹 사이트와 웹 사이트와 웹 사이트와 웹 사이트와 웹 사이트와 웹 사이트와 웹 사이트와 웹 사이트와 웹 사이트와 웹 사이트와 웹 사이트와 웹 사이트와 웹 사이트와 웹 사이트와 웹 사이트와 웹 사이트와 웹 사이트와 웹 사이트와 웹 사이트와 웹 사이트와 웹 사이트와 웹 사이트와 웹 사이트와 웹 사이트와 웹 사이트와 웹 사이트

왜 결정 트리를 시각화? 간단한 상호 운용성 저지

모델 검증 및 도메인 정렬

트리를 시각화하면 모델의 배운 분할이 주어진 도메인 지식을 의미하는 것을 확인하는 실제적인 요소를 할 수 있습니다. 예를 들어, "debt-to-income ratio"의 "annual income"에 분할하는 신용 잔물은 잔류물과 정렬 할 수 있지만 "name length"에 분할하는 나무는 즉시 빨간색 플래그를 제기 할 것입니다. 각 노드의 정확한 임계값과 기능 선택이 R2 또는 정확도가 아닌 지 확인하십시오.

진단 과감한 자료 누설

많은 잎 노드를 가진 깊은 나무는 종종 소음을 낮출 수 있습니다. 시각 검사는 과잉을 나타내는 "age > 32.5 및 age ≤ 33.0")의 의심스러운 특정 분할 (예를들면)를 밝혀낼 수 있습니다. 마찬가지로 나무가 다소 추적 인 그래프로 그려진 때 쉽게 붙잡힌 문제에서 "customer ID"와 같은 기능을 포함하는 나무.

비 기술적인 Audiences를 가진 건물 신뢰

규제 요건(예: GDPR의 설명에 대한 권리) 및 사업 이해 관계자는 모델 해석성 비 협상을 할 수 있습니다. 잘 언급 된 나무 다이어그램은 대출 임원 또는 특정 예측이 이루어졌는지 설명하는 의사에 표시 될 수 있으며, 종종 SHAP 값 목록보다 효과적으로 더 효과적으로 만듭니다.

비주얼라이징 디스티션 트리의 방법: Static to Interactive

Graphviz와 scikit-learn을 가진 정체되는 나무 다이어그램

이 웹 사이트는 귀하가 웹 사이트를 탐색하는 동안 귀하의 경험을 향상시키기 위해 쿠키를 사용합니다. 이 쿠키들 중에서 필요에 따라 분류 된 쿠키는 웹 사이트의 기본적인 기능을 수행하는 데 필수적이므로 브라우저에 저장됩니다. 또한이 웹 사이트의 사용 방식을 분석하고 이해하는 데 도움이되는 제 3 자 쿠키를 사용합니다. 이 쿠키는 귀하의 동의하에 만 브라우저에 저장됩니다. 이러한 쿠키를 거부 할 수도 있습니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다.

예 사용:

from sklearn.tree import export_graphviz
import graphviz
dot_data = export_graphviz(clf, out_file=None,
 feature_names=X.columns,
 class_names=iris.target_names,
 filled=True, rounded=True,
 special_characters=True)
graph = graphviz.Source(dot_data)
graph.render("iris_tree")

scikit-learn의 export graphviz documentation]는 클래스에 의해 노드 채색을 포함한 전체 파라미터 옵션을 제공합니다.

dtreeviz와 향상된 시각화

풍부한, 출판물-읽은 나무, dtreeviz 라이브러리 (Terence Parr)는 기본 scikit-learn 플로트에 대한 상당한 개선을 제공합니다. 그것은 각 분할 노드, 색 결정 경계 및 잎 클래스 고장에서 데이터 배포의 histograms를 보여줍니다. 이 매우 보조 해석은 의사 결정 규칙뿐만 아니라 데이터 지원뿐만 아니라.

]dtreeviz on GitHub에는 SVG로 줌, 저장, 색상을 사용자 정의 할 수있는 옵션과 회귀 및 분류 나무에 대한 예제가 포함되어 있습니다.

플로럴과 D3.js를 가진 상호 작용하는 나무

이 웹 사이트는 애플 리케이션에 전념. 우리는 정품 앱과 게임을 제공 할 목적으로이 사이트를 만들었습니다. 4AppsApk 최고의 안드로이드 애플 리케이션을위한 무료 APK 파일 다운로드 서비스, 계략.

대체 대표: 결정 트리 경로 규칙

때로는 전체 다이어그램은 이상적이지 않습니다. 대신 IF-THEN 규칙 세트로 결정 경로를 나타내는 것은 특히 얕은 나무에 대한 더 읽기가 될 수 있습니다. ]와 같은 라이브러리는 문서로 쉽게 붙여 넣거나 렌더링 지원없이 환경에서 사용 할 수있는 텍스트 트리를 생성합니다.

효과적인 Visualization의 이점

진단을 위한 개량된 Interpretability

나무의 명확한 시각지도는 직접적으로 그것의 중요성의 지배적인 초 쪼개지는 특색짓는 것을 보여줍니다. 그리고 결정 경계선이 진화하는 방법. 이것은 무작위 숲 또는 기온변화도 밀어주는 기초 학습자를 비교할 때 특히 유용합니다: 앙상블에서 단 하나 나무를 시각화하는 것은 대표자 본을 강조할 수 있습니다.

모델 Debugging 및 Bias 탐지

비주얼화는 초안을 보일 수 있습니다. 루트 근처의 "zip code"에 나무를 분할하고, 교육 데이터는 지역 전체에 매우 균형이 잡힌다. 결과 트리는 전체 이웃, 지리적 차별을 제한하는 높은 위험을 할당 할 수 있습니다. 다이어그램에서 분할을 참조하십시오 데이터 과학자는 기능의 공정성 의미를 검사합니다.

모든 수준의 교육 가치

연구에서, 나무를 시각화하는 것은 초록색의 개념을 콘크리트 그림으로 변환합니다. 학생들은 나무를 통해 예측을 추적 할 수 있으며, 엔트로피 감소 및 특징 임계값과의 결합이 나뉩니다. R2D3의 상호 작용하는 결정 트리]와 같은 도구는 대중적인 가르침 원조가되었습니다.

큰 나무를 시각화하고 어떻게 극복하는 도전

크기 및 확장성 한계

깊이 20 및 수천 개의 노드가 단일 읽기 쉬운 이미지로 렌더링 될 수 있습니다 나무. 일반적인 작업에는 다음과 같습니다.

Pruning: 스크리치트 잎의 비용 효율적인 펀딩(ccp alpha)를 사용하여 시각화하기 전에 나무 크기를 줄일 수 있습니다. 펀딩 트리는 종종 시각적으로 견인할 수 있는 동안 가장 중요한 분할을 유지합니다.
Subsampling: root에서 한정된 깊이(예: 4단계)로만 하위 트리를 시각화하고, 더 깊은 경로가 존재한다는 점을 주의하십시오.
Aggregate Views: 풀 트리를 그리기 대신, 모델의 행동을 전달하기 위해 기능의 중요성 바 차트 또는 부분 의존도의 크기를 사용합니다.

정보 Overload

온건하게 크기의 나무조차 수십 개의 노드가있을 수 있습니다. 주의 깊게 표시하는 것을 선택하십시오. 옵션 :

대부분의 분할 표준과 클래스를 표시, 샘플 카운트 및 불순 값의 omitting.
색상 노드는 신속하게 결정 영역을 볼 수 있습니다.
노드 크기 비율을 사용하여 중요한 하위 대중을 강조하기 위해 샘플 수를 비례합니다.

생산-Ready Tree Visualization에 대한 모범 사례

Always에는 기능 이름과 클래스 라벨이 포함되어 있습니다. 원시 수치 지수는 읽을 수 없습니다.
]]과 각 노드에서 클래스 배포를 전달하기 위해 순차적 인 colormap]를 사용합니다.
Set ] in the visualization export] even if the tree is deeper. 3–5의 깊이는 보통 설명에 충분하다.
벡터 형식 (SVG/PDF) 보고서에 확장성에 대한 저장.
모델-agnostic descriptions SHAP 요약문자처럼 완전한 해석성을 갖는 것을 기억한다. 그러나 트리 구조는 불행히 해석할 수 없다는 것을 기억한다.
관객을 초대합니다. 데이터 과학자는 전체 불순 값을 평가할 수 있습니다; 비즈니스 이해 관계자는 최고 두 개의 분할 만 필요로 할 수 있습니다.

고급: 비주얼화 결정 경로 – 그냥 나무

이 웹 사이트는 귀하가 웹 사이트를 탐색하는 동안 귀하의 경험을 향상시키기 위해 쿠키를 사용합니다. 이 쿠키들 중에서 필요에 따라 분류 된 쿠키는 웹 사이트의 기본적인 기능을 수행하는 데 필수적이므로 브라우저에 저장됩니다. 또한이 웹 사이트의 사용 방식을 분석하고 이해하는 데 도움이되는 제 3 자 쿠키를 사용합니다. 이 쿠키는 귀하의 동의하에 만 브라우저에 저장됩니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다.

예: SHAP Decision Plot for the Tree 모델

SHAP 값은 임신 중, 트리 모델에 대한 은 직접 나무 구조를 사용합니다. SHAP 결정 플로트는 예측 값 (또는 확률)이 축적되는 방법을 보여줍니다. 나무를 움직여, 기능으로 한 가지를 추가합니다. 이 플로트는 나무 경로의 시각화, 전체 나무가 아니라 정확한 결정 시퀀스를 보여주는 해석적 이점을 유지합니다.