在我的 dataset
中,我有一个二进制 Target
(0 或 1)变量和 8 个特征:nchar
、rtc
、Tmean
、{{ 1}}、week_day
、hour
、ntags
和 nlinks
。 nex
是一个因子,而其他的是数字。我正在尝试构建决策树分类器:
week_day
绘图结果如下:
我有三个问题不知道答案:
library(caTools)
set.seed(123)
split = sample.split(dataset$Target, SplitRatio = 0.75)
training_set = subset(dataset, split == TRUE)
test_set = subset(dataset, split == FALSE)
# Feature Scaling
training_set[-c(2,4)] = scale(training_set[-c(2,4)])
test_set[-c(2,4)] = scale(test_set[-c(2,4)])
# Fitting Decision Tree Classification to the Training set
# install.packages('rpart')
library(rpart)
classifier = rpart(formula = Target ~ .,
data = training_set)
# Predicting the Test set results
y_pred = predict(classifier, newdata = test_set[-2], type = 'class')
# Making the Confusion Matrix
cm = table(test_set[, 2], y_pred)
plot(classifier, uniform=TRUE,margin=0.2)
)rtc
中的 aefg
是什么意思?week_day
变量为 0 对 1)?例如:
在 Target
中,我们拥有所有具有 Target=1
和
nchar>0.19
等答案 0 :(得分:3)
这里解释了一些您可以在包 rpart
中获取的数据:
library(rpart) # for decision tree
library(rattle) # to do a nicer plot
progstat <- factor(stagec$pgstat, levels = 0:1, labels = c("No", "Prog"))
cfit <- rpart(progstat ~ age + eet + g2 + grade + gleason + ploidy,
data = stagec,
method ='class')
问题 1:为什么有些变量会消失?
因为这些变量对您的模型没有用处,或者说更好,您已经告诉您的模型不要在参数 cp
下获取变量(默认值 = 0.01)。
查看 the doc 的 cp
参数:
(...)本质上,用户通知程序任何不 通过 cp 提高拟合可能会通过交叉验证被修剪掉, 因此程序不需要追求它。
我认为文档在技术上比我解释得更好,如果我必须用简单的话来告诉它,cp
参数设置节点的“效用”基线。
如果节点由一个无用的变量构成,它被删除,所以无用的(阅读:变量在模型中没有进一步的信息)变量不会出现。尝试在您的模型中设置参数,您将看到它是如何变化的。就我而言,eet
变量已失效。
发送这个:
summary(cfit)
Call:
rpart(formula = progstat ~ age + eet + g2 + grade + gleason +
ploidy, data = stagec, method = "class")
n= 146
CP nsplit rel error xerror xstd
1 0.10493827 0 1.0000000 1.0000000 0.1080241
2 0.05555556 3 0.6851852 1.0555556 0.1091597
3 0.02777778 4 0.6296296 0.9629630 0.1071508
4 0.01851852 6 0.5740741 0.9629630 0.1071508
5 0.01000000 7 0.5555556 0.9814815 0.1075992
Variable importance
g2 grade gleason ploidy age eet
30 28 20 13 7 2
(... it continues...)
您可以看到 eet
是最不重要的。
问题 2:aefg
中的 week_day
是什么意思?
这意味着拆分是由左侧的一些 week_day
和右侧的一些进行的。它应该是一个分类变量。
尝试使用这个,而不是经典情节:
fancyRpartPlot(cfit, caption = NULL)
可以看到倍体和四倍体被送到左边,另一个在右边。来自here:
<块引用>(...)树的排列使得“更严重”的节点去往 对
问题 3:有没有办法描述不同的类(目标变量为 0 对 1)?
在这种情况下,变量是 progstat
,但您可以将解释传输到您的变量中。
这就是我在图中读取这些结果的一般方式:
查看第一个节点(最重要的):它告诉我们 63% 是“否”,37% 是“prog”(读是)。该节点覆盖了 100% 的人口。
第二个最重要的节点是 2,接收的变量是 grade
< 2.5。否则,您将进入节点三。
如果你往左边走,你就有 42% 的人口。该人群的标签是No,但是,85%的人群是真实的No,其余的都是错误的No。
TL;DR
这意味着“总体人口分为 No 和 Prog,分别为 63% 和 27%。
如果变量 grade
< 2.5,模型表明在我们的数据中,42% 的人口具有grade
的那个值,其中 42%,85% 的结果为 No。可能 grade
和因变量“no”的结果是绑定的”。
通过这种方式,您可以检查图中的所有节点,还可以使用 summary()
查看最重要的模式。
在你的情节中,你可以说“如果 ntags
> 1.952 和 nchar
< 0.1449,那么我有一个 0。