提取随机森林的参数
现在，您将把之前在逻辑回归模型上的工作迁移到随机森林模型上。该模型的一个参数是：对于给定的树，它在每一层如何进行划分。
这一分析不如逻辑回归的系数那样直接有用，因为在随机森林模型中，您几乎不可能逐一查看每一次划分和每一棵树。不过，这依然是一个很好的练习，有助于您窥探模型在"引擎盖下"到底做了什么。
在本练习中，我们将从随机森林模型中提取一棵单独的树，对其进行可视化，并通过编程方式提取其中一个划分。
您可以使用：
- 随机森林模型对象
rf_clf - 选定决策树顶部的图像
tree_viz_image X_trainDataFrame 与original_variables列表
本练习是课程的一部分
Python 中的超参数调优
练习说明
- 从随机森林模型中提取第 7 棵树（索引为 6）。
- 可视化该树（
tree_viz_image）以查看划分决策。 - 提取顶部划分的特征与阈值。
- 将该特征和阈值一起打印出来。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# Extract the 7th (index 6) tree from the random forest
chosen_tree = rf_clf.estimators_[____]
# Visualize the graph using the provided image
imgplot = plt.imshow(____)
plt.show()
# Extract the parameters and level of the top (index 0) node
split_column = chosen_tree.tree_.feature[____]
split_column_name = X_train.columns[split_column]
split_value = chosen_tree.tree_.threshold[____]
# Print out the feature and level
print("This node split on feature {}, at a value of {}".format(split_column_name, ____))