Der einfachste Weg, einen Entscheidungsbaum in R zu zeichnen, ist die Verwendung der Funktion prp()<\/strong> aus dem Paket rpart.plot<\/strong> .<\/span><\/span><\/p>\n Das folgende Beispiel zeigt, wie Sie diese Funktion in der Praxis nutzen k\u00f6nnen.<\/span><\/p>\n F\u00fcr dieses Beispiel verwenden wir den Hitters-<\/strong> Datensatz aus dem ISLR-<\/strong> Paket, der verschiedene Informationen zu 263 professionellen Baseballspielern enth\u00e4lt.<\/span><\/p>\n Wir werden diesen Datensatz verwenden, um einen Regressionsbaum zu erstellen, der Homeruns und gespielte Jahre verwendet, um das Gehalt eines bestimmten Spielers vorherzusagen.<\/span><\/p>\n Der folgende Code zeigt, wie dieser Regressionsbaum angepasst wird und wie die Funktion prp()<\/strong> zum Zeichnen des Baums verwendet wird:<\/span> <\/p>\n Beachten Sie, dass wir das Erscheinungsbild des Entscheidungsbaums auch mithilfe der Argumente faclen<\/strong> , extra<\/strong> , roundint<\/strong> und digits<\/strong> in der Funktion prp<\/strong> () anpassen k\u00f6nnen:<\/span> <\/p>\n Wir k\u00f6nnen sehen, dass der Baum sechs Endknoten hat.<\/span><\/p>\n Jeder Endknoten zeigt das vorhergesagte Gehalt der Spieler in diesem Knoten sowie die Anzahl der Beobachtungen aus dem Originaldatensatz an, die zu dieser Bewertung geh\u00f6ren.<\/span><\/p>\n Wir k\u00f6nnen beispielsweise sehen, dass es im urspr\u00fcnglichen Datensatz 90 Spieler mit weniger als 4,5 Jahren Erfahrung gab und ihr Durchschnittsgehalt 225,83.000 $<\/strong> betrug.<\/span> <\/p>\n Wir k\u00f6nnen den Baum auch verwenden, um das Gehalt eines bestimmten Spielers basierend auf seiner jahrelangen Erfahrung und seinen durchschnittlichen Homeruns vorherzusagen.<\/span><\/p>\n Beispielsweise hat ein Spieler, der \u00fcber 7 Jahre Erfahrung und durchschnittlich 4 Homeruns verf\u00fcgt, ein erwartetes Gehalt von 502,81.000 $<\/strong> .<\/span> <\/p>\n Dies ist einer der Vorteile der Verwendung eines Entscheidungsbaums: Wir k\u00f6nnen die Ergebnisse einfach visualisieren und interpretieren.<\/span><\/p>\n Die folgenden Tutorials bieten zus\u00e4tzliche Informationen zu Entscheidungsb\u00e4umen:<\/span><\/p>\n Eine Einf\u00fchrung in Klassifizierungs- und Regressionsb\u00e4ume<\/a> Beim maschinellen Lernen ist ein Entscheidungsbaum eine Art Modell, das eine Reihe von Pr\u00e4diktorvariablen verwendet, um einen Entscheidungsbaum zu erstellen, der den Wert einer Antwortvariablen vorhersagt. Der einfachste Weg, einen Entscheidungsbaum in R zu zeichnen, ist die Verwendung der Funktion prp() aus dem Paket rpart.plot . Das folgende Beispiel zeigt, wie Sie diese Funktion in […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n Beispiel: Zeichnen eines Entscheidungsbaums in R<\/strong><\/span><\/h2>\n
library<\/span> (ISLR)\nlibrary<\/span> (rpart)\nlibrary<\/span> (rpart.plot)\n\n#build the initial decision tree\n<\/span>tree <- rpart(Salary ~ Years + HmRun, data=Hitters, control=rpart. control<\/span> (cp= .0001<\/span> ))\n<\/span><\/span><\/strong>\n<\/span>#identify best cp value to use\nbest <- tree$cptable[which. min<\/span> (tree$cptable[,\" xerror<\/span> \"]),\" CP<\/span> \"]\n\n#produce a pruned tree based on the best cp value\n<\/span>pruned_tree <- prune<\/span> (tree, cp=best)\n\n#plot the pruned tree\n<\/span>prp(pruned_tree)\n<\/span><\/span><\/span><\/strong><\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/decision1.jpg\")
<\/p>\n #plot decision tree using custom arguments<\/span>\nprp(pruned_tree,\n faclen= 0<\/span> , #use full names for factor labels<\/span>\n extra= 1<\/span> , #display number of observations for each terminal node<\/span>\n roundint= F<\/span> , #don't round to integers in output<\/span>\n digits= 5<\/span> ) #display 5 decimal places in output<\/span><\/span><\/span><\/span><\/strong> <\/pre>\n![\"Zeichne](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/decision2.jpg\")
<\/p>\n![\"Interpretation](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/arbre4.png\")
<\/p>\n![\"Beispiel](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/arbre5.png\")
<\/p>\n Zus\u00e4tzliche Ressourcen<\/span><\/strong><\/span><\/h2>\n
Entscheidungsbaum vs. Zufallsw\u00e4lder: Was ist der Unterschied?<\/a>
So passen Sie Klassifizierungs- und Regressionsb\u00e4ume in R an<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"