新决策树例子文档格式.docx

新决策树例子文档格式.docx

《新决策树例子文档格式.docx》由会员分享，可在线阅读，更多相关《新决策树例子文档格式.docx（18页珍藏版）》请在冰豆网上搜索。

ClassificationTree\nIrisSpeciesbyPetalandSepalLength"

）

#plot的对象是由rpart得到的决策树对象，可以把这课决策树画出来，其中

（1）uniform可取T，F两个值，T表示图形在空间上均匀分配

（2）branch刻画分支的形状，取值在0和1之间，branch=0是倒v型，branch=1是直角型，而当branch属于（0,1）时是梯形

（3）margin刻画图的大小，margin越大，决策树越小，上述三幅图的margin=0.1，而当margin=1时，决策树变小了

（4）main是图的标题，其中“\n”是换行的意思

text（iris.rp1,use.n=T,fancy=T,col="

blue"

text（iris.rp1,use.n=T,fancy=F,col="

（1）use.n=T，在每个节点处都会显示落在该节点的观测个数和对应的分类，use.n=F时就不显示观测个数了。

（2）fancy=T、F的区别见上图

（3）col=“blue”就是写在树上的信息的颜色。

还有另一种画图函数

library（rpart.plot）

rpart.plot（iris.rp1,branch=0,branch.type=2,type=1,extra=1,shadow.col="

gray"

box.col="

green"

border.col="

split.col="

red"

main="

决策树"

rpart.plot（iris.rp1,branch=0,branch.type=0,type=1,extra=1,shadow.col="

main="

（1）branch.type是分支的形状参数，branch.type=0时画出来的分支跟plot里的一样，就是一条线，而当branch.type=2时，分支的宽度是数据的标准差，branch.type=1时，是方差

（2）type：

type=0只对叶子节点画圆圈。

type=1对根节点和叶子节点画圆圈，分裂属性的值会写在节点框的上面。

type=2时跟type=1近似，但分裂属性的值会写在节点框的下面。

type=3时每个根节点左右分支对应的属性的取值范围都标出来了（之前那些都只标了左分支的属性取值），并且只对叶子节点画圆圈。

type=4时，跟type=3近似，但对叶子节点和根节点都画圆圈。

（3）extra是表示在节点处显示的额外信息的种类。

当extra=0（缺省值）时，无额外信息。

当extra=1，在节点处会显示落在该节点的观测个数和对应的分类（如上图）。

当extra=2，在节点处会显示（在该点分类正确的个数/落在该节点的观测个数）。

（4）shadow.col="

分别是决策树中节点框的阴影颜色、填充颜色、边框颜色、和分类属性的颜色

用信息增益度量纯度

iris.rp2=rpart（Species~.,data=iris,method="

information"

））

plot（iris.rp2,uniform=T,branch=0,margin=0.1,main="

text（iris.rp2,use.n=T,fancy=T,col="

由上面两幅图可以看出，对于iris数据集，无论是用信息增益（information）还是gini来选择分裂属性，得到的决策树都是一样的。

决策树检验

因为iris数据集比较简单，不需修树，我们可以把原来的150个样本随机分成学习集和测试集，用学习集来生成决策树，然后用测试集验证决策树的准确性。

ind<

-sample（2,nrow（iris）,replace=TRUE,prob=c（0.7,0.3））

iris.train=iris[ind==1,]#生成训练集

iris.test=iris[ind==2,]#生成测试集

iris.rp2=rpart（Species~.,iris.train,method=“class”）

iris.rp3=predict（iris.rp2,iris.test[,-5],type="

）

table（iris.test[,5],iris.rp3）

准确率=1-2/43=95.35%，与原来的96%准确性几乎一样，所以这颗决策树有加好的泛化能力。

我们再考虑另一个复杂一点的例子。

pima=read.table（"

D:

/Grace/pima.indians.diabetes3.txt"

header=T）

数据说明：

通过7个变量（分别是怀孕次数npregnant，身体质量指数bmi，葡萄糖水平glucose，心脏血样diastolic.bp，皮下脂肪厚度skinfoldthickness，遗传影响pedigree，年龄age）来判断一个人是否患有糖尿病。

set.seed（123）

pima.rp<

-rpart（pima[,9]~.,data=pima[,1:

7],cp=0.004,parms=list（split="

数据的第八列和第九列其实是一样的，有糖尿病（diabetic）的记为1，正常的记为0，把第九列的分类属性作为因变量，Pima数据集的前七列作为自变量，用gini来衡量纯度，

结果解释：

以根节点为例，观测总数是532，其中177例糖尿病，355例正常，该节点的分类属性是正常，所以错判例数（loss）是177，（错判率，正确判断率）=（0.332706770.66729323）。

如果根节点的观测满足glucose>

=127.5（即128），则观测值落入左边的分支，否则落入右边的分支。

rpart.plot（pima.rp,branch=0,branch.type=0,type=1,extra=1,shadow.col="

图的解释：

1.每个节点框中的数字是：

（落在该节点有糖尿病的个数/正常的个数）

2.每个节点框内的diabetic、normal表示该节点对应的分类属性

printcp（pima.rp）#列出cp值

cp:

complexityparameter复杂性参数，用来修剪树的

当决策树复杂度超过一定程度后，随着复杂度的提高，测试集的分类精确度反而会降低。

因此，建立的决策树不宜太复杂，需进行剪枝。

该剪枝算法依赖于复杂性参数cp,cp随树复杂度的增加而减小，当增加一个节点引起的分类精确度变化量小于树复杂度变化的cp倍时，则须剪去该节点。

故建立一棵既能精确分类，又不过度适合的决策树的关键是求解一个合适的cp值。

一般选择错判率最小值对应的cp值来修树

plotcp（pima.rp）

pima.prune=prune（pima.rp,cp=pima.rp$cptable[which.min（pima.rp$cptable[,"

xerror"

]）,"

CP"

]） 

xerror：

交叉验证（crossvalidation）错判率的估计

xstd:

交叉验证错判率的标准差

建立树模型要权衡两方面问题，一个是要拟合得使分组后的变异较小，另一个是要防止过度拟合，而使模型的误差过大，前者的参数是CP，后者的参数是Xerror。

所以要在Xerror最小的情况下，也使CP尽量小。

Party包的ctree函数

party包的处理方式：

它的背景理论是“条件推断决策树”（conditionalinferencetrees）：

它根据统计检验来确定自变量和分割点的选择。

即先假设所有自变量与因变量均独立。

再对它们进行卡方独立检验，检验P值小于阀值的自变量加入模型，相关性最强的自变量作为第一次分割的自变量。

自变量选择好后，用置换检验来选择分割点。

用party包建立的决策树不需要剪枝，因为阀值就决定了模型的复杂程度。

所以如何决定阀值参数是非常重要的（参见ctree_control）。

较为流行的做法是取不同的参数值进行交叉检验，选择误差最小的模型参数。

Ctree在Iris数据上的应用

##先载入包party

##构造分类树

iris_ctree<

-ctree（Species~.,data=iris）

##画出分类树的图

plot（iris_ctree）

plot（iris_ctree,type="

simple"

##比较用分类树预测的结果和实际结果之间的区别

table（predict（iris_ctree）,iris$Species）

##由结果可以看出，由该决策树得到的结果的错误率为6/150=4%

Ctree在diabetes数据上的应用

##载入diabetes的数据

data2=read.table（"

F:

\\课件\\讨论班\\研一秋季学期\\我的讲稿\\pima.indians.diabetes3.txt"

##观察diabetes的数据

head（data2）

pima_ctree=ctree（class~npregnant+glucose+diastolic.bp+skinfold.thickness+bmi+pedigree+age,data=data2）

plot（pima_ctree）

plot（pima_ctree,type="

##计算错判率

##由结果可以看出，由该决策树得到的结果的错误率为109/532=20.5%

##能否修改参数改变模型？

ctree_control（teststat=c（"

quad"

"

max"

）,

testtype=c（"

Bonferroni"

MonteCarlo"

"

Univariate"

Teststatistic"

mincriterion=0.95,minsplit=20,minbucket=7,

stump=FALSE,nresample=9999,maxsurrogate=0,

mtry=0,savesplitstats=TRUE,maxdepth=0）

teststat

acharacterspecifyingthetypeoftheteststatistictobeapplied.

testtype

acharacterspecifyinghowtocomputethedistributionoftheteststatistic.

mincriterion

thevalueoftheteststatistic（for 

testtype=="

）,or1-p-value（forothervaluesof 

testtype）thatmustbeexceededinordertoimplementasplit.

minsplit

theminimumsumofweightsinanodeinordertobeconsideredforsplitting.

minbucket

theminimumsumofweightsinaterminalnode.

stump

alogicaldeterminingwhetherastump（atreewiththreenodesonly）istobecomputed.

nresample

numberofMonte-Carloreplicationstousewhenthedistributionoftheteststatisticissimulated.

maxsurrogate

numberofsurrogatesplitstoevaluate.Notethecurrentlyonlysurrogatesplitsinorderedcovariablesareimplemented.

mtry

numberofinputvariablesrandomlysampledascandidatesateachnodeforrandomforestlikealgorithms.Thedefault 

mtry=0 

meansthatnorandomselectiontakesplace.

savesplitstats

alogicaldeterminingiftheprocessofstandardizedtwo-samplestatisticsforsplitpointestimateissavedforeachprimarysplit.

maxdepth

maximumdepthofthetree.Thedefault 

maxdepth=0 

meansthatnorestrictionsareappliedtotreesizes.

##

##尝试修改mincriterion=0.6（mincriterion=0.95的结果与原来一样，故0.95应该为默认值）

pima_ctree=ctree（class~npregnant+glucose+diastolic.bp+skinfold.thickness+bmi+pedigree+age,data=data2,control=ctree_control（mincriterion=0.6））

table（predict（pima_ctree）,data2$class）

##由结果可以看出，由该决策树得到的结果的错误率为97/532=18.2%

##此时树变得更复杂了