{"id":1220,"date":"2023-07-27T06:02:37","date_gmt":"2023-07-27T06:02:37","guid":{"rendered":"https:\/\/statorials.org\/it\/alberi-di-classificazione-e-regressione-in-r\/"},"modified":"2023-07-27T06:02:37","modified_gmt":"2023-07-27T06:02:37","slug":"alberi-di-classificazione-e-regressione-in-r","status":"publish","type":"post","link":"https:\/\/statorials.org\/it\/alberi-di-classificazione-e-regressione-in-r\/","title":{"rendered":"Come adattare gli alberi di classificazione e regressione in r"},"content":{"rendered":"

<\/p>\n

\n

Quando la relazione tra un insieme di variabili predittive e una variabile di risposta<\/a> \u00e8 lineare, metodi come la regressione lineare multipla<\/a> possono produrre modelli predittivi accurati.<\/span><\/p>\n

Tuttavia, quando la relazione tra un insieme di predittori e una risposta \u00e8 pi\u00f9 complessa, i metodi non lineari possono spesso produrre modelli pi\u00f9 accurati.<\/span><\/p>\n

Uno di questi metodi \u00e8 gli alberi di classificazione e regressione<\/a> (CART), che utilizza un insieme di variabili predittive per creare alberi decisionali che prevedono il valore di una variabile di risposta.<\/span><\/p>\n

Se la variabile di risposta \u00e8 continua possiamo costruire alberi di regressione e se la variabile di risposta \u00e8 categoriale possiamo costruire alberi di classificazione.<\/span><\/p>\n

Questo tutorial spiega come creare alberi di regressione e classificazione in R.<\/span><\/p>\n

Esempio 1: costruzione di un albero di regressione in R<\/strong><\/span><\/h3>\n

Per questo esempio utilizzeremo il set di dati Hitters<\/strong> del pacchetto ISLR<\/strong> , che contiene varie informazioni su 263 giocatori di baseball professionisti.<\/span><\/p>\n

Utilizzeremo questo set di dati per costruire un albero di regressione che utilizza le variabili predittive dei fuoricampo<\/em> e degli anni giocati<\/em> per prevedere lo stipendio<\/em> di un determinato giocatore.<\/span><\/p>\n

Utilizzare i passaggi seguenti per creare questo albero di regressione.<\/span><\/p>\n

Passaggio 1: caricare i pacchetti necessari.<\/strong><\/span><\/p>\n

Innanzitutto, caricheremo i pacchetti necessari per questo esempio:<\/span><\/p>\n

 library<\/span> (ISLR) #contains Hitters dataset<\/span>\nlibrary<\/span> (rpart) #for fitting decision trees<\/span>\nlibrary<\/span> (rpart.plot) #for plotting decision trees\n<\/span><\/strong><\/pre>\n
 Passaggio 2: costruire l’albero di regressione iniziale.<\/strong><\/span><\/p>\n
 Per prima cosa costruiremo un grande albero di regressione iniziale. Possiamo garantire che l’albero sia grande utilizzando un valore piccolo per cp<\/strong> , che sta per “parametro di complessit\u00e0”.<\/span><\/p>\n
 Ci\u00f2 significa che eseguiremo ulteriori suddivisioni sull’albero di regressione purch\u00e9 l’R quadrato complessivo del modello aumenti almeno del valore specificato da cp.<\/span><\/p>\n
 Utilizzeremo quindi la funzione printcp()<\/strong> per stampare i risultati del modello:<\/span><\/p>\n
 #build the initial tree\n<\/span>tree <- rpart(Salary ~ Years + HmRun, data=Hitters, control=rpart. control<\/span> (cp= .0001<\/span> ))\n\n#view results<\/span>\nprintcp(tree)\n\nVariables actually used in tree construction:\n[1] HmRun Years\n\nRoot node error: 53319113\/263 = 202734\n\nn=263 (59 observations deleted due to missingness)\n\n           CP nsplit rel error xerror xstd\n1 0.24674996 0 1.00000 1.00756 0.13890\n2 0.10806932 1 0.75325 0.76438 0.12828\n3 0.01865610 2 0.64518 0.70295 0.12769\n4 0.01761100 3 0.62652 0.70339 0.12337\n5 0.01747617 4 0.60891 0.70339 0.12337\n6 0.01038188 5 0.59144 0.66629 0.11817\n7 0.01038065 6 0.58106 0.65697 0.11687\n8 0.00731045 8 0.56029 0.67177 0.11913\n9 0.00714883 9 0.55298 0.67881 0.11960\n10 0.00708618 10 0.54583 0.68034 0.11988\n11 0.00516285 12 0.53166 0.68427 0.11997\n12 0.00445345 13 0.52650 0.68994 0.11996\n13 0.00406069 14 0.52205 0.68988 0.11940\n14 0.00264728 15 0.51799 0.68874 0.11916\n15 0.00196586 16 0.51534 0.68638 0.12043\n16 0.00016686 17 0.51337 0.67577 0.11635\n17 0.00010000 18 0.51321 0.67576 0.11615\nn=263 (59 observations deleted due to missingness)\n<\/span><\/span><\/strong><\/pre>\n
 Passaggio 3: potare l’albero.<\/strong><\/span><\/p>\n
 Successivamente, sfoltiremo l’albero di regressione per trovare il valore ottimale da utilizzare per cp (il parametro di complessit\u00e0) che porta all’errore di test pi\u00f9 basso.<\/span><\/p>\n
 Si noti che il valore ottimale per cp \u00e8 quello che porta all’errore x<\/strong> pi\u00f9 basso nell’output precedente, che rappresenta l’errore sulle osservazioni dai dati di convalida incrociata.<\/span> <\/p>\n
 #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    faclen= 0<\/span> , #use full names for factor labels<\/span>\n    extra= 1<\/span> , #display number of obs. 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\n<\/span><\/span><\/span><\/span><\/strong><\/pre>\n
\"Albero<\/p>\n
 Possiamo vedere che l’albero finale potato ha sei nodi terminali. Ogni nodo foglia mostra lo stipendio previsto dei giocatori in quel nodo, nonch\u00e9 il numero di osservazioni del set di dati originale che appartengono a quel grado.<\/span><\/p>\n
 Ad esempio, possiamo vedere che nel set di dati originale c’erano 90 giocatori con meno di 4,5 anni di esperienza e il loro stipendio medio era di $ 225,83.000.<\/span> <\/p>\n
\"Interpretazione<\/p>\n
 Passaggio 4: utilizzare l’albero per fare previsioni.<\/strong><\/span><\/p>\n
 Possiamo utilizzare l’albero tagliato finale per prevedere lo stipendio di un determinato giocatore in base ai suoi anni di esperienza e ai fuoricampo medi.<\/span><\/p>\n
 Ad esempio, un giocatore che ha 7 anni di esperienza e 4 fuoricampo in media ha uno stipendio previsto di $ 502,81k<\/strong> .<\/span> <\/p>\n
\"Esempio<\/p>\n
 Possiamo usare la funzione predit()<\/strong> in R per confermarlo:<\/span><\/p>\n
 #define new player\nnew <- data.frame(Years=7, HmRun=4)\n\n<\/span>#use pruned tree to predict salary of this player\npredict(pruned_tree, newdata=new)\n\n502.8079<\/span><\/span><\/span><\/strong><\/pre>\n
 Esempio 2: costruzione di un albero di classificazione in R<\/strong><\/span><\/h3>\n
 Per questo esempio utilizzeremo il set di dati ptitanic<\/strong> del pacchetto rpart.plot<\/strong> , che contiene varie informazioni sui passeggeri a bordo del Titanic.<\/span><\/p>\n
 Utilizzeremo questo set di dati per creare un albero di classificazione che utilizza le variabili predittive classe<\/em> , sesso<\/em> ed et\u00e0<\/em> per prevedere se un determinato passeggero \u00e8 sopravvissuto o meno.<\/span><\/p>\n
 Utilizzare i passaggi seguenti per creare questo albero di classificazione.<\/span><\/p>\n
 Passaggio 1: caricare i pacchetti necessari.<\/strong><\/span><\/p>\n
 Innanzitutto, caricheremo i pacchetti necessari per questo esempio:<\/span><\/p>\n
 library<\/span> (rpart) #for fitting decision trees<\/span>\nlibrary<\/span> (rpart.plot) #for plotting decision trees\n<\/span><\/strong><\/pre>\n
 Passaggio 2: costruire l’albero di classificazione iniziale.<\/strong><\/span><\/p>\n
 Per prima cosa costruiremo un grande albero di classificazione iniziale. Possiamo garantire che l’albero sia grande utilizzando un valore piccolo per cp<\/strong> , che sta per “parametro di complessit\u00e0”.<\/span><\/p>\n
 Ci\u00f2 significa che eseguiremo ulteriori suddivisioni sull’albero di classificazione purch\u00e9 l’adattamento complessivo del modello aumenti almeno del valore specificato da cp.<\/span><\/p>\n
 Utilizzeremo quindi la funzione printcp()<\/strong> per stampare i risultati del modello:<\/span><\/p>\n
 #build the initial tree\n<\/span>tree <- rpart(survived~pclass+sex+age, data=ptitanic, control=rpart. control<\/span> (cp= .0001<\/span> ))\n\n#view results<\/span>\nprintcp(tree)\n\nVariables actually used in tree construction:\n[1] age pclass sex   \n\nRoot node error: 500\/1309 = 0.38197\n\nn=1309 \n\n      CP nsplit rel error xerror xstd\n1 0.4240 0 1.000 1.000 0.035158\n2 0.0140 1 0.576 0.576 0.029976\n3 0.0095 3 0.548 0.578 0.030013\n4 0.0070 7 0.510 0.552 0.029517\n5 0.0050 9 0.496 0.528 0.029035\n6 0.0025 11 0.486 0.532 0.029117\n7 0.0020 19 0.464 0.536 0.029198\n8 0.0001 22 0.458 0.528 0.029035\n<\/span><\/span><\/strong><\/pre>\n
 Passaggio 3: potare l’albero.<\/strong><\/span><\/p>\n
 Successivamente, sfoltiremo l’albero di regressione per trovare il valore ottimale da utilizzare per cp (il parametro di complessit\u00e0) che porta all’errore di test pi\u00f9 basso.<\/span><\/p>\n
 Si noti che il valore ottimale per cp \u00e8 quello che porta all’errore x<\/strong> pi\u00f9 basso nell’output precedente, che rappresenta l’errore sulle osservazioni dai dati di convalida incrociata.<\/span> <\/p>\n
 #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    faclen= 0<\/span> , #use full names for factor labels\n    extra= 1<\/span> , #display number of obs. for each terminal node\n    roundint= F<\/span> , #don't round to integers in output\n    digits= 5<\/span> ) #display 5 decimal places in output\n<\/span><\/span><\/span><\/strong><\/pre>\n
\"Classificazione<\/p>\n
 Possiamo vedere che l’albero finale potato ha 10 nodi terminali. Ogni nodo terminale indica il numero di passeggeri deceduti nonch\u00e9 il numero di sopravvissuti.<\/span><\/p>\n
 Ad esempio, nel nodo pi\u00f9 a sinistra vediamo che 664 passeggeri sono morti e 136 sono sopravvissuti.<\/span> <\/p>\n
\"Interpretare<\/p>\n
 Passaggio 4: utilizzare l’albero per fare previsioni.<\/strong><\/span><\/p>\n
 Possiamo utilizzare l\u2019albero tagliato finale per prevedere la probabilit\u00e0 che un dato passeggero sopravviva in base alla sua classe, et\u00e0 e sesso.<\/span><\/p>\n
 Ad esempio, un passeggero maschio di 8 anni e in 1a classe ha una probabilit\u00e0 di sopravvivenza di 29\/11 = 37,9%.<\/span> <\/p>\n
\"Classificazione<\/p>\n
 \u00c8 possibile trovare il codice R completo utilizzato in questi esempi qui<\/a> .<\/span><\/p>\n","protected":false},"excerpt":{"rendered":"
Quando la relazione tra un insieme di variabili predittive e una variabile di risposta \u00e8 lineare, metodi come la regressione lineare multipla possono produrre modelli predittivi accurati. Tuttavia, quando la relazione tra un insieme di predittori e una risposta \u00e8 pi\u00f9 complessa, i metodi non lineari possono spesso produrre modelli pi\u00f9 accurati. Uno di questi […]<\/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":"\nCome adattare gli alberi di classificazione e regressione in R<\/title>\n<meta name=\"description\" content=\"Questo tutorial spiega come adattare gli alberi di classificazione e regressione in R, con esempi dettagliati.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/statorials.org\/it\/alberi-di-classificazione-e-regressione-in-r\/\" \/>\n<meta property=\"og:locale\" content=\"it_IT\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Come adattare gli alberi di classificazione e regressione in R\" \/>\n<meta property=\"og:description\" content=\"Questo tutorial spiega come adattare gli alberi di classificazione e regressione in R, con esempi dettagliati.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/statorials.org\/it\/alberi-di-classificazione-e-regressione-in-r\/\" \/>\n<meta property=\"og:site_name\" content=\"Statorials\" \/>\n<meta property=\"article:published_time\" content=\"2023-07-27T06:02:37+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/arbre3.png\" \/>\n<meta name=\"author\" content=\"Benjamin anderson\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Written by\" \/>\n\t<meta name=\"twitter:data1\" content=\"Benjamin anderson\" \/>\n\t<meta name=\"twitter:label2\" content=\"Est. reading time\" \/>\n\t<meta name=\"twitter:data2\" content=\"5 minuti\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/statorials.org\/it\/alberi-di-classificazione-e-regressione-in-r\/\",\"url\":\"https:\/\/statorials.org\/it\/alberi-di-classificazione-e-regressione-in-r\/\",\"name\":\"Come adattare gli alberi di classificazione e regressione in R\",\"isPartOf\":{\"@id\":\"https:\/\/statorials.org\/it\/#website\"},\"datePublished\":\"2023-07-27T06:02:37+00:00\",\"dateModified\":\"2023-07-27T06:02:37+00:00\",\"author\":{\"@id\":\"https:\/\/statorials.org\/it\/#\/schema\/person\/0896f191fb9fb019f2cd8623112cb3ae\"},\"description\":\"Questo tutorial spiega come adattare gli alberi di classificazione e regressione in R, con esempi dettagliati.\",\"breadcrumb\":{\"@id\":\"https:\/\/statorials.org\/it\/alberi-di-classificazione-e-regressione-in-r\/#breadcrumb\"},\"inLanguage\":\"it-IT\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/statorials.org\/it\/alberi-di-classificazione-e-regressione-in-r\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/statorials.org\/it\/alberi-di-classificazione-e-regressione-in-r\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Casa\",\"item\":\"https:\/\/statorials.org\/it\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Come adattare gli alberi di classificazione e regressione in r\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/statorials.org\/it\/#website\",\"url\":\"https:\/\/statorials.org\/it\/\",\"name\":\"Statorials\",\"description\":\"La tua guida all'alfabetizzazione statistica!\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/statorials.org\/it\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"it-IT\"},{\"@type\":\"Person\",\"@id\":\"https:\/\/statorials.org\/it\/#\/schema\/person\/0896f191fb9fb019f2cd8623112cb3ae\",\"name\":\"Benjamin anderson\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"it-IT\",\"@id\":\"https:\/\/statorials.org\/it\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/statorials.org\/it\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg\",\"contentUrl\":\"https:\/\/statorials.org\/it\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg\",\"caption\":\"Benjamin anderson\"},\"description\":\"Ciao, sono Benjamin, un professore di statistica in pensione diventato insegnante dedicato di Statorials. Con una vasta esperienza e competenza nel campo della statistica, sono ansioso di condividere le mie conoscenze per potenziare gli studenti attraverso Statorials. Scopri di pi\u00f9\",\"sameAs\":[\"https:\/\/statorials.org\/it\"]}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Come adattare gli alberi di classificazione e regressione in R","description":"Questo tutorial spiega come adattare gli alberi di classificazione e regressione in R, con esempi dettagliati.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/statorials.org\/it\/alberi-di-classificazione-e-regressione-in-r\/","og_locale":"it_IT","og_type":"article","og_title":"Come adattare gli alberi di classificazione e regressione in R","og_description":"Questo tutorial spiega come adattare gli alberi di classificazione e regressione in R, con esempi dettagliati.","og_url":"https:\/\/statorials.org\/it\/alberi-di-classificazione-e-regressione-in-r\/","og_site_name":"Statorials","article_published_time":"2023-07-27T06:02:37+00:00","og_image":[{"url":"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/arbre3.png"}],"author":"Benjamin anderson","twitter_card":"summary_large_image","twitter_misc":{"Written by":"Benjamin anderson","Est. reading time":"5 minuti"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/statorials.org\/it\/alberi-di-classificazione-e-regressione-in-r\/","url":"https:\/\/statorials.org\/it\/alberi-di-classificazione-e-regressione-in-r\/","name":"Come adattare gli alberi di classificazione e regressione in R","isPartOf":{"@id":"https:\/\/statorials.org\/it\/#website"},"datePublished":"2023-07-27T06:02:37+00:00","dateModified":"2023-07-27T06:02:37+00:00","author":{"@id":"https:\/\/statorials.org\/it\/#\/schema\/person\/0896f191fb9fb019f2cd8623112cb3ae"},"description":"Questo tutorial spiega come adattare gli alberi di classificazione e regressione in R, con esempi dettagliati.","breadcrumb":{"@id":"https:\/\/statorials.org\/it\/alberi-di-classificazione-e-regressione-in-r\/#breadcrumb"},"inLanguage":"it-IT","potentialAction":[{"@type":"ReadAction","target":["https:\/\/statorials.org\/it\/alberi-di-classificazione-e-regressione-in-r\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/statorials.org\/it\/alberi-di-classificazione-e-regressione-in-r\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Casa","item":"https:\/\/statorials.org\/it\/"},{"@type":"ListItem","position":2,"name":"Come adattare gli alberi di classificazione e regressione in r"}]},{"@type":"WebSite","@id":"https:\/\/statorials.org\/it\/#website","url":"https:\/\/statorials.org\/it\/","name":"Statorials","description":"La tua guida all'alfabetizzazione statistica!","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/statorials.org\/it\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"it-IT"},{"@type":"Person","@id":"https:\/\/statorials.org\/it\/#\/schema\/person\/0896f191fb9fb019f2cd8623112cb3ae","name":"Benjamin anderson","image":{"@type":"ImageObject","inLanguage":"it-IT","@id":"https:\/\/statorials.org\/it\/#\/schema\/person\/image\/","url":"https:\/\/statorials.org\/it\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg","contentUrl":"https:\/\/statorials.org\/it\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg","caption":"Benjamin anderson"},"description":"Ciao, sono Benjamin, un professore di statistica in pensione diventato insegnante dedicato di Statorials. Con una vasta esperienza e competenza nel campo della statistica, sono ansioso di condividere le mie conoscenze per potenziare gli studenti attraverso Statorials. Scopri di pi\u00f9","sameAs":["https:\/\/statorials.org\/it"]}]}},"yoast_meta":{"yoast_wpseo_title":"","yoast_wpseo_metadesc":"","yoast_wpseo_canonical":""},"_links":{"self":[{"href":"https:\/\/statorials.org\/it\/wp-json\/wp\/v2\/posts\/1220"}],"collection":[{"href":"https:\/\/statorials.org\/it\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/statorials.org\/it\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/statorials.org\/it\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/statorials.org\/it\/wp-json\/wp\/v2\/comments?post=1220"}],"version-history":[{"count":0,"href":"https:\/\/statorials.org\/it\/wp-json\/wp\/v2\/posts\/1220\/revisions"}],"wp:attachment":[{"href":"https:\/\/statorials.org\/it\/wp-json\/wp\/v2\/media?parent=1220"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/statorials.org\/it\/wp-json\/wp\/v2\/categories?post=1220"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/statorials.org\/it\/wp-json\/wp\/v2\/tags?post=1220"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}