任何人都得到了关于如何实际绘制几个示例树的库或代码建议：
getTree(rfobj, k, labelVar=TRUE)
（是的，我知道您不应该在操作上执行此操作，RF 是一个黑盒等。我想直观地检查一棵树，看看是否有任何变量的行为违反直觉，需要调整/组合/离散化/转换，检查我的编码因子的工作情况等）
没有像样答案的先前问题：
我实际上想绘制一个示例树。所以不要和我争论，已经。我不是在问varImpPlot(Variable Importance Plot) or partialPlotorMDSPlot或这些其他图，我已经有了这些，但它们不能替代查看样本树。是的，我可以目视检查getTree(...,labelVar=TRUE).
（我想一个plot.rf.tree()贡献会很受欢迎。）
第一个（也是最简单的）解决方案：如果您不热衷于坚持使用 Andy Liaw 中实现的经典 RF，randomForest您可以尝试提供原始 RF 的不同实现的派对包算法（使用条件树和基于单位权重平均的聚合方案）。然后，正如R-help 帖子中所报告的那样，您可以绘制树列表中的单个成员。据我所知，它似乎运行顺利。下面是由 生成的一棵树的图cforest(Species ~ ., data=iris, controls=cforest_control(mtry=2, mincriterion=0))。
第二种（几乎同样简单）的解决方案： R 中的大多数基于树的技术（tree、rpart、TWIX等）都提供了类似tree的结构来打印/绘制单个树。这个想法是将 的输出转换randomForest::getTree为这样的 R 对象，即使从统计的角度来看它是无意义的。基本上，从对象访问树结构很容易tree，如下所示。请注意，它会根据任务的类型略有不同——回归与分类——在后一种情况下，它将添加特定于类的概率作为obj$frame（即 a data.frame）的最后一列。
> library(tree)
> tr <- tree(Species ~ ., data=iris)
> tr
node), split, n, deviance, yval, (yprob)
* denotes terminal node
1) root 150 329.600 setosa ( 0.33333 0.33333 0.33333 )
2) Petal.Length < 2.45 50 0.000 setosa ( 1.00000 0.00000 0.00000 ) *
3) Petal.Length > 2.45 100 138.600 versicolor ( 0.00000 0.50000 0.50000 )
6) Petal.Width < 1.75 54 33.320 versicolor ( 0.00000 0.90741 0.09259 )
12) Petal.Length < 4.95 48 9.721 versicolor ( 0.00000 0.97917 0.02083 )
24) Sepal.Length < 5.15 5 5.004 versicolor ( 0.00000 0.80000 0.20000 ) *
25) Sepal.Length > 5.15 43 0.000 versicolor ( 0.00000 1.00000 0.00000 ) *
13) Petal.Length > 4.95 6 7.638 virginica ( 0.00000 0.33333 0.66667 ) *
7) Petal.Width > 1.75 46 9.635 virginica ( 0.00000 0.02174 0.97826 )
14) Petal.Length < 4.95 6 5.407 virginica ( 0.00000 0.16667 0.83333 ) *
15) Petal.Length > 4.95 40 0.000 virginica ( 0.00000 0.00000 1.00000 ) *
> tr$frame
var n dev yval splits.cutleft splits.cutright yprob.setosa yprob.versicolor yprob.virginica
1 Petal.Length 150 329.583687 setosa <2.45 >2.45 0.33333333 0.33333333 0.33333333
2 <leaf> 50 0.000000 setosa 1.00000000 0.00000000 0.00000000
3 Petal.Width 100 138.629436 versicolor <1.75 >1.75 0.00000000 0.50000000 0.50000000
6 Petal.Length 54 33.317509 versicolor <4.95 >4.95 0.00000000 0.90740741 0.09259259
12 Sepal.Length 48 9.721422 versicolor <5.15 >5.15 0.00000000 0.97916667 0.02083333
24 <leaf> 5 5.004024 versicolor 0.00000000 0.80000000 0.20000000
25 <leaf> 43 0.000000 versicolor 0.00000000 1.00000000 0.00000000
13 <leaf> 6 7.638170 virginica 0.00000000 0.33333333 0.66666667
7 Petal.Length 46 9.635384 virginica <4.95 >4.95 0.00000000 0.02173913 0.97826087
14 <leaf> 6 5.406735 virginica 0.00000000 0.16666667 0.83333333
15 <leaf> 40 0.000000 virginica 0.00000000 0.00000000 1.00000000
然后，有一些方法可以漂亮地打印和绘制这些对象。关键函数是一个依赖（图形显示）和（计算节点坐标）的通用tree:::plot.tree方法（我放了一个三元组，允许您直接查看 R 中的代码）。这些函数期望树的表示。其他微妙的问题：（1）默认绘图方法中的参数，有助于管理节点之间的垂直距离（意味着它与偏差成正比，意味着它是固定的）；(2) 您需要通过调用来补充以将文本标签添加到节点和拆分，在这种情况下，这意味着您还必须查看.:tree:::treepltree:::treecoobj$frametype = c("proportional", "uniform")tree:::plot.treeproportionaluniformplot(tr)text(tr)tree:::text.tree
getTreefrom 方法返回不同的randomForest结构，在线帮助中对此进行了说明。典型输出如下所示，终端节点由status代码 (-1) 指示。（同样，输出会根据任务的类型而有所不同，但仅限于status和prediction列。）
> library(randomForest)
> rf <- randomForest(Species ~ ., data=iris)
> getTree(rf, 1, labelVar=TRUE)
left daughter right daughter split var split point status prediction
1 2 3 Petal.Length 4.75 1 <NA>
2 4 5 Sepal.Length 5.45 1 <NA>
3 6 7 Sepal.Width 3.15 1 <NA>
4 8 9 Petal.Width 0.80 1 <NA>
5 10 11 Sepal.Width 3.60 1 <NA>
6 0 0 <NA> 0.00 -1 virginica
7 12 13 Petal.Width 1.90 1 <NA>
8 0 0 <NA> 0.00 -1 setosa
9 14 15 Petal.Width 1.55 1 <NA>
10 0 0 <NA> 0.00 -1 versicolor
11 0 0 <NA> 0.00 -1 setosa
12 16 17 Petal.Length 5.40 1 <NA>
13 0 0 <NA> 0.00 -1 virginica
14 0 0 <NA> 0.00 -1 versicolor
15 0 0 <NA> 0.00 -1 virginica
16 0 0 <NA> 0.00 -1 versicolor
17 0 0 <NA> 0.00 -1 virginica
如果您能设法将上面的表格转换为由 生成的表格，tree您可能可以自定义并满足您的需求，尽管我没有这种方法的示例。特别是，您可能希望摆脱在 RF 中没有意义的偏差、类别概率等的使用。您只需要设置节点坐标和拆分值。你可以使用它，但老实说，我不确定这是正确的方法。tree:::treepltree:::treecotree:::text.treefixInNamespace()
第三个（当然也是聪明的）解决方案：编写一个真正的as.tree辅助函数来缓解上述所有“补丁”。然后，您可以使用 R 的绘图方法，或者可能更好的是Klimt（直接来自 R）来显示单个树。
我迟到了四年，但如果你真的想坚持使用这个randomForest包（并且有一些很好的理由这样做），并且想要真正可视化树，你可以使用reprtree包。
该软件包的文档记录不是很好（您可以在此处找到文档），但一切都非常简单。要安装软件包，请参考repo 中的initialize.R，因此只需运行以下命令：
options(repos='http://cran.rstudio.org')
have.packages <- installed.packages()
cran.packages <- c('devtools','plotrix','randomForest','tree')
to.install <- setdiff(cran.packages, have.packages[,1])
if(length(to.install)>0) install.packages(to.install)
library(devtools)
if(!('reprtree' %in% installed.packages())){
install_github('araastat/reprtree')
}
for(p in c(cran.packages, 'reprtree')) eval(substitute(library(pkg), list(pkg=p)))
然后继续制作你的模型和树：
library(randomForest)
library(reprtree)
model <- randomForest(Species ~ ., data=iris, importance=TRUE, ntree=500, mtry = 2, do.trace=100)
reprtree:::plot.getTree(model)
你去吧！美丽而简单。
您可以查看 github repo 以了解包中的其他方法。实际上，如果您检查plot.getTree.R，您会注意到作者使用他自己的实现as.tree()，chl♦建议您可以在他的答案中建立自己。这意味着您可以这样做：
tree <- getTree(model, k=1, labelVar=TRUE)
realtree <- reprtree:::as.tree(tree, model)
然后可能realtree与其他树绘图包一起使用，例如tree。
我创建了一些函数来提取树的规则。
#**************************
#return the rules of a tree
#**************************
getConds<-function(tree){
#store all conditions into a list
conds<-list()
#start by the terminal nodes and find previous conditions
id.leafs<-which(tree$status==-1)
j<-0
for(i in id.leafs){
j<-j+1
prevConds<-prevCond(tree,i)
conds[[j]]<-prevConds$cond
while(prevConds$id>1){
prevConds<-prevCond(tree,prevConds$id)
conds[[j]]<-paste(conds[[j]]," & ",prevConds$cond)
}
if(prevConds$id==1){
conds[[j]]<-paste(conds[[j]]," => ",tree$prediction[i])
}
}
}
return(conds)
}
#**************************
#find the previous conditions in the tree
#**************************
prevCond<-function(tree,i){
if(i %in% tree$right_daughter){
id<-which(tree$right_daughter==i)
cond<-paste(tree$split_var[id],">",tree$split_point[id])
}
if(i %in% tree$left_daughter){
id<-which(tree$left_daughter==i)
cond<-paste(tree$split_var[id],"<",tree$split_point[id])
}
return(list(cond=cond,id=id))
}
#remove spaces in a word
collapse<-function(x){
x<-sub(" ","_",x)
return(x)
}
data(iris)
require(randomForest)
mod.rf <- randomForest(Species ~ ., data=iris)
tree<-getTree(mod.rf, k=1, labelVar=TRUE)
#rename the name of the column
colnames(tree)<-sapply(colnames(tree),collapse)
rules<-getConds(tree)
print(rules)