带有插入符号的决策树中属性使用的奇怪结果

Question

我想知道什么变量对我的决策树模型很重要。

我通过使用插入符号包的train（）获得了模型。 但是对于致命变量，属性使用的结果却很奇怪。

下面是我的代码。

set.seed(123)
ctrl <- trainControl(method = "cv", classProbs = TRUE, summaryFunction=twoClassSummary)
mDt <- train(metS ~ ., data= df_train, method = "C5.0", metric="ROC", trControl = ctrl); mDt

我通过使用C5imp（）获得了属性用法。 （使用summary（mDt）得出的结果是相同的。）

C5imp(mDt$finalModel)

属性使用结果如下：

• 年龄100.00
• 体重指数100.00
• 高度100.00
• 体重100.00
• job7 98.90
• piHeatScore 83.81
• dailyAlcoholIntake_final 82.96
• pi4.L 67.14
• familyIncome ^ 9
• pi17.C 60.33
• pi6.C 59.72
• pi13.L 56.53
• ...

奇怪的是，一个因子变量（例如“ pi4”：具有5个级别“ 1” <“ 2” <“ 3” <“ 4” <“ 5”）的Ord.factor具有多种属性用法。 （例如“ pi4.L”，“ pi4.Q”，“ pi4.C”，“ pi ^ 4”）

对于无序因素，这是相似的。例如，“婚姻”是具有6个级别的因子（“ 1”，“ 2”，“ 3”，“ 4”，“ 5”，“ 6”），并且为“ marriage2”显示了属性用法， 'marriage3'，'marriage4'，'marriage5'和'marriage6'。

但是，结果应如下所示：

（以下结果是通过使用具有相同数据的C5.0（）获得的。对于一个因子变量，显示了一种属性用法。）

mTemp <- C5.0(df_train[,-1], df_train$metS) 
C5imp(mTemp)

• 体重指数100.00
• 年龄32.37
• pi6 27.28
• pi13 16.92
• pi9 15.76
• 职位9.07
• pi14 2.88
• ...

我认为这是由C5.0（）和train（）应用C5.0方法时的差异引起的。

我想使用插入符号包的train（），因为它会自动应用交叉验证等。

请帮助我。