R插入包(rpart):构建分类树

时间:2014-12-18 17:01:31

标签: r rpart r-caret

我正在努力使用插入符号包执行分类树几天。 问题是我的因素变量。我生成了树,但是当我尝试使用最佳模型对测试样本进行预测时,它失败了,因为列车函数为我的因子变量创建了虚拟对象,然后预测函数无法在测试集中找到这些新创建的虚拟对象。我应该如何处理这个问题?

我的代码如下:

install.packages("caret", dependencies = c("Depends", "Suggests"))      
library(caret)                                      
db=data.frame(read.csv ("db.csv", head=TRUE, sep=";", na.strings ="?"))     
fix(db)
db$defaillance=factor(db$defaillance)
db$def=ifelse(db$defaillance==0,"No","Yes") 
db$def=factor(db$def)
db$defaillance=NULL
db$canal=factor(db$canal)
db$sect_isodev=factor(db$sect_isodev)
db$sect_risq=factor(db$sect_risq)       

#delete zero variance predictors                                
nzv <- nearZeroVar(db[,-78])
db_new <- db[,-nzv]

inTrain <- createDataPartition(y = db_new$def, p = .75, list = FALSE)                               
training <- db_new[inTrain,]
testing <- db_new[-inTrain,]
str(training)
str(testing)
dim(training)
dim(testing)

用于训练/测试的str()函数示例如下:

 $ FDR        : num  1305 211 162 131 143 ...
 $ FCYC       : num  0.269 0.18 0.154 0.119 0.139 ...
 $ BFDR       : num  803 164 108 72 76 63 100 152 188 80 ...
 $ TRES       : num  502 47 54 59 67 49 53 -7 -103 -109 ...
 $ sect_isodev: Factor w/ 9 levels "1","2","3","4",..: 4 3 3 3 3 3 3 3 3 3 ...
 $ sect_risq  : Factor w/ 6 levels "0","1","2","3",..: 6 6 6 6 6 6 6 6 6 6 ...
 $ def        : Factor w/ 2 levels "No","Yes": 1 1 1 1 1 1 1 1 1 1 ...
> dim(training)
[1] 14553    42
> dim(testing)
[1] 4850   42

然后我的代码就是这样:

fitControl <- trainControl(method = "repeatedcv",
                           number = 10,
                           repeats = 10,
                   classProbs = TRUE,
                   summaryFunction = twoClassSummary)

#CART1
set.seed(1234)
tree1 = train (def~.,
           training,
           method = "rpart",
           tuneLength=20,
           metric="ROC",
           trControl = fitControl)

的样本
summary(tree1$finalModel)

在这里

RNTB          38.397731
sect_isodev1   6.742289
sect_isodev3   4.005016
sect_isodev8   2.520850
sect_risq3     9.909127
sect_risq4     6.737908
sect_risq5     3.085714
SOLV          73.067539
TRES          47.906884
sect_isodev2   0.000000
sect_isodev4   0.000000
sect_isodev5   0.000000
sect_isodev6   0.000000
sect_isodev7   0.000000
sect_isodev9   0.000000
sect_risq0     0.000000
sect_risq1     0.000000
sect_risq2     0.000000

这是错误:

  

model.tree1&lt; - predict(tree1 $ finalModel,testing)       eval(expr,envir,enclos)中的错误:object&#39; sect_isodev1&#39;找不到

我很好奇还有另外一件事。我在Max Kuhn&#34;预测模型中找到了R&#34;语法如下:

predict(rpartTune$finalModel, newdata, type = "class")

其中rpartTune$finalModel是与我的相同的分类树(或者与我的相同)。 现在,R不接受type =&#34; class&#34;。只输入=&#34; prob&#34;。我因此而感到困扰。

提前感谢您的回复

2 个答案:

答案 0 :(得分:9)

除非您有充分理由,否则不要将predict.rpart train$finalModel一起使用。 rpart对象确实知道train所做的任何事情,包括预处理。它可能不会给你正确的答案。毕竟,您可能正在使用train以避免细节,因此请让predict.train完成工作。

最高

编辑 -

关于type = "class"type = "prob"位..

predict.rpart默认生成类概率。虽然rpart是最早的包之一,但默认情况下这是非典型的产品类。

predict.train默认生成类,您必须使用type = "prob"来获取概率。

答案 1 :(得分:6)

据我所知,有两个问题:

  • R无法为predict找到合适的tree1$finalModel函数,predict.rpart应为tree1$finalModel,因为rpart属于type = "class"类。我也得到了这个错误,遗憾的是我不知道其根本原因。这也是R不接受predict.rpart的原因。 train会接受它。
  • 使用公式代替x和y对象提供sect_isodev1函数会导致以后无法找到str等变量的问题

使用随机数据(类似于predict.rpart)使用x和y对象重现错误,然后从rpart明确地调用tree1 = train (y = training$def, x = training[, -which(colnames(training) == "def")], method = "rpart", tuneLength=20, metric="ROC", trControl = fitControl) summary(tree1$finalModel) # This still results in Error: could not find function "predict.rpart": model.tree1 <- predict.rpart(tree1$finalModel, newdata = testing) # Explicitly calling predict.rpart from the rpart package works: rpart:::predict.rpart(object = tree1$finalModel, newdata = testing, type = "class") 为我工作:

predict(tree1, testing)

顺便说一下,predict.train,即trainpredict对象一起使用,也可以工作并返回预测类。 编辑:正如Max指出的那样,通常最好只使用这种方法,而不是使{{1}}功能不同。