R语言决策树案例分析

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

最近学习了决策树，现将学习内容呈现如下
代码注释比较详细，直接上代码：（数据在最后附录）

1. library(rpart)  
   
2. library(rpart.plot)
   
3. #第一个决策树
   
4. data<-read.table(file.choose(),header = T)
   
5. data$V35<-factor(data$V35,levels = 1:6,
   
6.                  labels = c("牛皮癣","SE皮炎",
   
7. "扁平苔癣","玫瑰癣","国外皮炎","毛发红癣"))#转化为因子
   
8. set.seed(1)#设定种子器
   
9. train<-sample(nrow(data),0.7*nrow(data))#抽取训练集和测试集
   
10. data.train<-data[train,]#训练集
    
11. data.validata<-data[-train,]#测试集
    
12. dtree<-rpart(V35~.,data = data.train,
    
13.              method = "class",
    
14.              parms=list(split="gini"))
    
15. 
    
16. rpart.plot(dtree,type=2,extra=102,
    
17.            shadow.col = "gray",box.col="green",
    
18.            border.col="blue",split.col="red",
    
19.            split.cex=1,main="决策树")
    
20. dtree.pred<-predict(dtree,data.validata,
    
21.                     type="class")#预测
    
22. dtree.perf<-table(data.validata$V35,dtree.pred)
    
23. dtree.perf#评估预测的准确性
    
24. dtree$cptable
    
25. plotcp(dtree)#复杂度参数cp的描述
    
26. dtree.pruned<-prune(dtree,cp=0.08)#剪枝
    
27. rpart.plot(dtree.pruned,type=2,extra=102,
    
28.            shadow.col = "gray",box.col="green",
    
29.            border.col="blue",split.col="red",
    
30.            split.cex=1,main="决策树")
    
31. dtree.pred<-predict(dtree.pruned,data.validata,
    
32.                     type="class")#再进行预测
    
33. dtree.perf<-table(data.validata$V35,dtree.pred,
    
34.                   dnn=c("actual","predicted"))
    
35. dtree.perf#评估预测的准确性

复制代码

注：set.seed()的使用
例：

1. x<-1:1000
   
2. set.seed(1)
   
3. sample(x,10)

复制代码

与

1. x<-1:1000
   
2. sample(x,10)

复制代码

自己检验一下，看看有什么区别。

---

1. #第二个决策树
   
2. data1<-read.csv(file.choose(),header = F)
   
3. names(data1)<-c("class","age","gender","state")
   
4. #给数据集data的列命名
   
5. set.seed(1)
   
6. train1<-sample(nrow(data1),0.7*nrow(data1))
   
7. data1.train1<-data1[train1,]
   
8. data1.validate1<-data1[-train1,]
   
9. dtree1<-rpart(state~gender+age+class,
   
10.              data=data1,method = "class",
    
11.              parms = list(split="information"))
    
12. rpart.plot(dtree1,type=2,extra=102,
    
13.            shadow.col = "gray",box.col="green",
    
14.            border.col="blue",split.col="red",
    
15.            split.cex=1,main="决策树")
    
16. dtree1.pred1<-predict(dtree1,
    
17.                       data1.validate1,
    
18.                       type="class")
    
19. dtree1.perf1<-table(data1.validate1$state,
    
20.                     dtree1.pred1,
    
21.                     dnn=c("actual","predict"))
    
22. dtree1.perf1
    
23. dtree1$cptable
    
24. plotcp(dtree1)
    
25. dtree1.pruned<-prune(dtree1,cp=0.03)
    
26. rpart.plot(dtree1.pruned,type=2,extra=102,
    
27.            shadow.col = "gray",box.col="green",
    
28.            border.col="blue",split.col="red",
    
29.            split.cex=1,main="决策树")
    
30. dtree1.pred1<-predict(dtree1.pruned,
    
31.                       data1.validate1,
    
32.                       type="class")
    
33. dtree1.perf1<-table(data1.validate1$state,
    
34.                     dtree1.pred1,
    
35.                     dnn=c("actual","predict"))
    
36. dtree1.perf1

复制代码

---

1. #第三个决策树
   
2. set.seed(12)
   
3. train2<-sample(nrow(kyphosis),
   
4.                0.7*nrow(kyphosis))
   
5. kyphosis.train<-kyphosis[train,]
   
6. kyphosis.validate<-kyphosis[-train,]
   
7. dtree2<-rpart(Kyphosis~Age+Number+Start,
   
8.              data=kyphosis,method = "class",
   
9.              parms = list(split="information"))
   
10. rpart.plot(dtree2,type=2,extra=2,
    
11.            shadow.col = "gray",box.col="green",
    
12.            border.col="blue",split.col="red",
    
13.            split.cex=1,main="决策树")
    
14. dtree2.pred2<-predict(dtree2,kyphosis.validate,
    
15.                       type="class")
    
16. dtree2.perf2<-table(kyphosis.validate$Kyphosis,
    
17.                     dtree2.pred2)
    
18. dtree2.perf2
    
19. dtree2$cptable
    
20. plotcp(dtree2)
    
21. #不需要再剪枝

复制代码

---

附录：第一个决策树的数据 Dermatology1.txt (25.85 KB, 需要: 5 个论坛币)

2016-11-17 22:09:45 上传

需要: 5 个论坛币  [购买]

第二个决策树的数据 Titanic.xls (64.96 KB, 需要: 5 个论坛币)

2016-11-17 22:12:12 上传

需要: 5 个论坛币  [购买]

（由于csv格式上传不了，因此改成了xls，所以下载完成以后请改成csv格式）
第三个决策树的数据是R包中自带的数据kyphosis

---

有疑问可以留言。。。

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏3 回帖

关键词：案例分析 决策树 R语言 Library rpart 案例分析