R語言實戰應用精講50篇（三十一）-R語言實現決策樹（附R語言代碼）

決策樹回歸

首先采用rpart包的rpart函數訓練決策樹模型，需要指定公式、數據集，將模型設定為回歸模型，也就是將method設定為anova，最后是控制參數，主要是一些控制決策樹生長的預剪枝參數，包括設定樹的深度、葉子節點樣本量、復雜度參數等，具體可以查閱函數幫助文檔。

其次輸出前述模型的結果，即初始樹，同時輸出復雜度相關表格和圖形。依據這些表格和圖形可以確定一個最佳的cp值，進而進行下一步后剪枝。經過后剪枝的決策樹，也就是我們最后確定下來的決策樹模型，用于后續的輸出和預測。

最后輸出決策樹相關的圖形，包括變量重要性條形圖、樹形圖。

#?訓練模型

#?rpart參考文檔

set.seed(42) # 固定交叉驗證結果

fit_dt_reg <- rpart(

form_reg, # formula

data = traindata,

method = "anova", # 回歸

#?回歸模型無parms參數

control = rpart.control(cp = 0.005)

)

#?原始回歸樹

fit_dt_reg

#?復雜度相關數據

printcp(fit_dt_reg)

plotcp(fit_dt_reg)

#?后剪枝

fit_dt_reg_pruned <- prune(fit_dt_reg, cp = cp1SE)

print(fit_dt_reg_pruned)

summary(fit_dt_reg_pruned)

#?變量重要性數值

fit_dt_reg_pruned$variable.importance

#?變量重要性圖示

varimpdata <-

data.frame(importance = fit_dt_reg_pruned$variable.importance)

g

決策樹

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。