R语言实战应用精讲50篇（三十一）-R语言实现决策树（附R语言代码）

决策树回归

首先采用rpart包的rpart函数训练决策树模型，需要指定公式、数据集，将模型设定为回归模型，也就是将method设定为anova，最后是控制参数，主要是一些控制决策树生长的预剪枝参数，包括设定树的深度、叶子节点样本量、复杂度参数等，具体可以查阅函数帮助文档。

其次输出前述模型的结果，即初始树，同时输出复杂度相关表格和图形。依据这些表格和图形可以确定一个最佳的cp值，进而进行下一步后剪枝。经过后剪枝的决策树，也就是我们最后确定下来的决策树模型，用于后续的输出和预测。

最后输出决策树相关的图形，包括变量重要性条形图、树形图。

# 训练模型

# rpart参考文档

set.seed(42) # 固定交叉验证结果

fit_dt_reg <- rpart(

form_reg, # formula

data = traindata,

method = "anova", # 回归

# 回归模型无parms参数

control = rpart.control(cp = 0.005)

)

# 原始回归树

fit_dt_reg

# 复杂度相关数据

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)

# 变量重要性数值

fit_dt_reg_pruned$variable.importance

# 变量重要性图示

varimpdata <-

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

g

决策树

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。