Cara termudah untuk memplot pohon keputusan di R adalah dengan menggunakan fungsi prp()<\/strong> dari paket rpart.plot<\/strong> .<\/span><\/span><\/p>\n Contoh berikut menunjukkan cara menggunakan fungsi ini dalam praktiknya.<\/span><\/p>\n Untuk contoh ini, kami akan menggunakan dataset Hitters<\/strong> dari paket ISLR<\/strong> , yang berisi berbagai informasi tentang 263 pemain baseball profesional.<\/span><\/p>\n Kami akan menggunakan kumpulan data ini untuk membuat pohon regresi yang menggunakan home run dan tahun bermain untuk memprediksi gaji pemain tertentu.<\/span><\/p>\n Kode berikut menunjukkan cara menyesuaikan pohon regresi ini dan cara menggunakan fungsi prp()<\/strong> untuk menggambar pohon:<\/span> <\/p>\n Perhatikan bahwa kita juga dapat menyesuaikan tampilan pohon keputusan menggunakan argumen faclen<\/strong> , extra<\/strong> , roundint<\/strong> dan digits<\/strong> dalam fungsi prp<\/strong> ():<\/span> <\/p>\n Kita dapat melihat bahwa pohon tersebut memiliki enam simpul terminal.<\/span><\/p>\n Setiap node terminal menampilkan prediksi gaji pemain di node tersebut serta jumlah observasi dari kumpulan data asli yang termasuk dalam peringkat tersebut.<\/span><\/p>\n Misalnya, kita dapat melihat bahwa dalam kumpulan data asli, terdapat 90 pemain dengan pengalaman kurang dari 4,5 tahun dan gaji rata-rata mereka adalah $225,83K<\/strong> .<\/span> <\/p>\n Kita juga dapat menggunakan pohon tersebut untuk memprediksi gaji pemain tertentu berdasarkan pengalaman bertahun-tahun dan rata-rata home run mereka.<\/span><\/p>\n Misalnya, seorang pemain yang memiliki pengalaman 7 tahun dan rata-rata 4 home run memiliki gaji yang diharapkan sebesar $502,81k<\/strong> .<\/span> <\/p>\n Inilah salah satu keuntungan menggunakan pohon keputusan: kita dapat dengan mudah memvisualisasikan dan menafsirkan hasilnya.<\/span><\/p>\n Tutorial berikut memberikan informasi tambahan tentang pohon keputusan:<\/span><\/p>\n Pengantar pohon klasifikasi dan regresi<\/a> Dalam pembelajaran mesin , pohon keputusan adalah jenis model yang menggunakan sekumpulan variabel prediktor untuk membuat pohon keputusan yang memprediksi nilai variabel respons. Cara termudah untuk memplot pohon keputusan di R adalah dengan menggunakan fungsi prp() dari paket rpart.plot . Contoh berikut menunjukkan cara menggunakan fungsi ini dalam praktiknya. Contoh: menggambar pohon keputusan di R […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n Contoh: menggambar pohon keputusan di R<\/strong><\/span><\/h2>\n
library<\/span> (ISLR)\nlibrary<\/span> (rpart)\nlibrary<\/span> (rpart.plot)\n\n#build the initial decision tree\n<\/span>tree <- rpart(Salary ~ Years + HmRun, data=Hitters, control=rpart. control<\/span> (cp= .0001<\/span> ))\n<\/span><\/span><\/strong>\n<\/span>#identify best cp value to use\nbest <- tree$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![\"menggambar](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/decision2.jpg\")
<\/p>\n![\"Menafsirkan](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/arbre4.png\")
<\/p>\n![\"Contoh](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/arbre5.png\")
<\/p>\n Sumber daya tambahan<\/span><\/strong><\/span><\/h2>\n
Pohon keputusan vs hutan acak: apa bedanya?<\/a>
Cara menyesuaikan pohon klasifikasi dan regresi di R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"