sklearn-interpretable-tree:简化的基于树的分类器和回归器，用于可解释的机器学习（兼容scikit-le...

基于简化决策树的高度可解释的，与sklearn兼容的分类器和回归器 实现一种简单，贪婪的优化方法，以简化决策树，以提高解释性和可读性。 它产生小的决策树，这使得训练有素的分类器很容易为人类专家所理解，并且与最新的分类器（例如随机森林或SVM）竞争。 事实证明，就准确性和计算复杂度而言，其表现经常优于；而在可解释性方面，其表现优于Logistic回归。 请注意，对于大型数据集，强烈建议使用特征选择方法，因为运行时直接取决于特征的数量。 用法 该项目需要 。 包含的InterpretableDecisionTreeClassifier和InterpretableDecisionTreeRegressor都可以作为scikit-learn估计器，并具有model.fit(X,y)方法，该方法采用训练数据X （numpy数组或pandas DataFrame）和标签y 。 可以通过将对象转