Gli alberi in RF e gli alberi singoli vengono costruiti utilizzando lo stesso algoritmo (di solito CART). L'unica piccola differenza è che un singolo albero prova tutti i predittori a ogni divisione, mentre gli alberi in RF provano solo un sottoinsieme casuale dei predittori a ogni divisione (questo crea alberi indipendenti ). Inoltre, ogni albero in una RF è costruito su un campione bootstrap dei dati di addestramento originali, piuttosto che sul set di addestramento completo. Questo rende ogni albero nella foresta un esperto in alcuni domini dello spazio dati e un male altrove.

Quindi, per questi motivi, non ha senso estrarre un singolo albero da una foresta casuale per usalo come classificatore. A seconda dei suoi domini di competenza, potrebbe darti risultati migliori rispetto a un albero tradizionale costruito con CART sull'intero set di dati, o molto peggio. La cosa che consente a un RF di essere molto meglio di un singolo albero è che cresce molti alberi decorrelati e calcola la media del loro output. Solo quando il comitato di esperti comprende un numero sufficiente di membri (solitamente tra 200 e 2000) la varianza viene ridotta. Ma individualmente, ogni albero di una RF sarebbe più debole di un singolo albero costruito tramite CART tradizionale.

Puoi certamente estrarre un albero da una RF per avere un'idea di cosa sta succedendo nella foresta (vedi il link che ho fornito nel mio commento sopra). Basta non usare questo singolo albero come classificatore.

Forse quello che stai cercando è l'approccio Combining Multiple Models (CMM) sviluppato da Domingos negli anni '90. I dettagli per l'utilizzo di questo con un insieme insacchettato di regole C4.5 sono descritti nel suo documento ICML

Domingos, Pedro. "Acquisizione di conoscenze da esempi tramite più modelli". Negli Atti della quattordicesima conferenza internazionale sul machine learning . 1997.

Lo pseudocodice nella Tabella 1 non è specifico per il C4.5 in sacchi, tuttavia:

Per applicarlo a Foreste casuali, la questione chiave sembra essere come generare l'esempio generato casualmente $ \ overrightarrow {x} $. Ecco un taccuino che mostra un modo per farlo con sklearn .

Questo mi ha fatto pensare a quale lavoro di follow-up è stato svolto su CMM, e se qualcuno ha trovato un modo migliore per generare $ \ overrightarrow {x} $. Ho creato una nuova domanda al riguardo qui.

Fatta eccezione per scenari molto improbabili, una previsione di foresta casuale non può essere rappresentata da un singolo albero. Questo perché apprendono predittori in diverse classi di ipotesi: una foresta casuale apprende predittori nello spazio di combinazioni lineari di alberi, che include predittori che non sono alberi. In altre parole, le foreste apprendono i predittori nell'arco dello spazio degli alberi.

Detto questo, c'è la speranza che esista un albero che sia una buona approssimazione del predittore della foresta. Un modo rapido e sporco per trovare questo albero è adattare un albero alle previsioni della foresta. La qualità delle sue previsioni dipenderà dalla "distanza" dal miglior predittore di foresta alla sua migliore approssimazione di albero.

Sembra che tu stia cercando di risolvere due problemi: 1. interpretabilità e 2. efficienza della previsione. Come già accennato nei commenti sopra, puoi estrarre importanza variabile in Python, in modo che indirizzi il punto 1.

Per affrontare il punto 2, se sei interessato all'efficienza fino a microsecondi, quindi potresti voler esplorare altri algoritmi, come la regressione logistica, e confrontare le prestazioni fuori campione con quelle generate da Random Forest; se le prestazioni sono quasi equivalenti ma la regressione logistica è molto più veloce, puoi prendere la decisione di procedere con la regressione logistica.

Se hai deciso di utilizzare Random Forest, la risposta breve è che tecnicamente potrebbe costruire un albero casuale impostando ntree = 1 e potrebbe produrre una previsione decente, ma una raccolta di alberi sarà molto meglio di un singolo albero. Quindi non ha senso costruire un solo albero dal sottoinsieme di alberi a meno che tu non voglia compromettere le prestazioni fuori campione con l'efficienza.

Inoltre, potresti anche accelerare le previsioni un fattore di 10 o più utilizzando solo un sottoinsieme degli alberi nella previsione finale. Se addestri 1500 alberi, puoi selezionare il sottoinsieme che meglio contribuisce alla previsione finale. Sto pensando a qualcosa sulla falsariga di Selezione di un insieme da un modello di biblioteche, in cui ogni albero nella tua foresta sarebbe il modello nel tuo insieme.

Uno dei classici sulla combinazione di tali funzioni è "Algoritmi basati su grafici per la manipolazione di funzioni booleane". Contiene oltre 3.000 citazioni. Puoi trattare gli alberi come un caso speciale di funzioni booleane.

Tieni presente che se il tuo modello di foresta casuale è grande, è probabile che anche il modello ad albero singolo sia grande.

Proprio come dice JohnRos sopra, puoi effettivamente cercare l'approssimazione globale di un singolo albero della foresta casuale cercando di adattare un singolo albero alla previsione della foresta casuale su un numero (molto) elevato di punti.Potrebbe funzionare per altri modelli di scatola nera.Si chiama approccio "oracolo" all'approssimazione globale di un singolo albero per [1] (perché la scatola nera è usata come un oracolo per adattarsi al singolo albero). Se ne ho il coraggio, ho caricato un paio di esempi e altre spiegazioni su Github qui: https://github.com/ljmdeb/GSTA

[1] Riccardo Guidotti, Anna Monreale, Salvatore Ruggieri, Franco Turini, Fosca Giannotti e Dino Pedreschi.2018. Un'indagine sui metodi per spiegare i modelli della scatola nera.ACM Comput.Surv.51, 5, articolo 93 (agosto 2018), 42 pagine.(specialmente la tabella a pagina 93:26)