У меня есть конкретный технический вопрос о sklearn, классификаторе случайных лесов.
После подбора данных с помощью метода «.fit(X,y)», есть ли способ извлечь фактические деревья из объекта оценки в каком-то общем формате, чтобы метод «.predict(X)» мог быть реализован вне питон?
Да, деревья леса хранятся в атрибуте estimators_ объекта леса.
Вы можете взглянуть на реализацию функции export_graphviz, чтобы научиться писать собственный экспортер:
https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/tree/export.py
Вот документ по использованию этой функции:
http://scikit-learn.org/stable/modules/tree.html#classification
Да, и ответ @ogrisel позволил мне реализовать следующий фрагмент, который позволяет использовать (частично обученный) случайный лес для прогнозирования значений. Это экономит много времени, если вы хотите перекрестно проверить случайную модель леса по количеству деревьев:
rf_model = RandomForestRegressor()
rf_model.fit(x, y)
estimators = rf_model.estimators_
def predict(w, i):
rf_model.estimators_ = estimators[0:i]
return rf_model.predict(x)
Я объяснил это более подробно здесь: извлечение деревьев из случайного леса
