{"id":1218,"date":"2023-07-27T06:02:37","date_gmt":"2023-07-27T06:02:37","guid":{"rendered":"https:\/\/statorials.org\/pl\/drzewa-klasyfikacyjne-i-regresyjne-w-r\/"},"modified":"2023-07-27T06:02:37","modified_gmt":"2023-07-27T06:02:37","slug":"drzewa-klasyfikacyjne-i-regresyjne-w-r","status":"publish","type":"post","link":"https:\/\/statorials.org\/pl\/drzewa-klasyfikacyjne-i-regresyjne-w-r\/","title":{"rendered":"Jak dopasowa\u0107 drzewa klasyfikacji i regresji w r"},"content":{"rendered":"

<\/p>\n

\n

Gdy zwi\u0105zek mi\u0119dzy zestawem zmiennych predykcyjnych a zmienn\u0105 odpowiedzi<\/a> jest liniowy, metody takie jak wielokrotna regresja liniowa<\/a> mog\u0105 stworzy\u0107 dok\u0142adne modele predykcyjne.<\/span><\/p>\n

Je\u015bli jednak zwi\u0105zek mi\u0119dzy zestawem predyktor\u00f3w a reakcj\u0105 jest bardziej z\u0142o\u017cony, metody nieliniowe cz\u0119sto pozwalaj\u0105 na uzyskanie dok\u0142adniejszych modeli.<\/span><\/p>\n

Jedn\u0105 z takich metod s\u0105 drzewa klasyfikacji i regresji<\/a> (CART), kt\u00f3re wykorzystuj\u0105 zestaw zmiennych predykcyjnych do tworzenia drzew decyzyjnych, kt\u00f3re przewiduj\u0105 warto\u015b\u0107 zmiennej odpowiedzi.<\/span><\/p>\n

Je\u015bli zmienna odpowiedzi jest ci\u0105g\u0142a, mo\u017cemy zbudowa\u0107 drzewa regresji, a je\u015bli zmienna odpowiedzi jest jako\u015bciowa, mo\u017cemy zbudowa\u0107 drzewa klasyfikacyjne.<\/span><\/p>\n

W tym samouczku wyja\u015bniono, jak tworzy\u0107 drzewa regresji i klasyfikacji w j\u0119zyku R.<\/span><\/p>\n

Przyk\u0142ad 1: Budowanie drzewa regresji w R<\/strong><\/span><\/h3>\n

W tym przyk\u0142adzie wykorzystamy zbi\u00f3r danych Hitters<\/strong> z pakietu ISLR<\/strong> , kt\u00f3ry zawiera r\u00f3\u017cne informacje na temat 263 zawodowych graczy w baseball.<\/span><\/p>\n

Wykorzystamy ten zbi\u00f3r danych do skonstruowania drzewa regresji, kt\u00f3re wykorzystuje zmienne predykcyjne home run\u00f3w<\/em> i lat rozegranych<\/em> w celu przewidzenia wynagrodzenia<\/em> danego gracza.<\/span><\/p>\n

Aby utworzy\u0107 to drzewo regresji, wykonaj nast\u0119puj\u0105ce kroki.<\/span><\/p>\n

Krok 1: Za\u0142aduj niezb\u0119dne pakiety.<\/strong><\/span><\/p>\n

Najpierw za\u0142adujemy niezb\u0119dne pakiety dla tego przyk\u0142adu:<\/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
 Krok 2: Zbuduj pocz\u0105tkowe drzewo regresji.<\/strong><\/span><\/p>\n
 Najpierw zbudujemy du\u017ce drzewo regresji pocz\u0105tkowej. Mo\u017cemy zagwarantowa\u0107, \u017ce drzewo b\u0119dzie du\u017ce, u\u017cywaj\u0105c ma\u0142ej warto\u015bci cp<\/strong> , kt\u00f3ra oznacza \u201eparametr z\u0142o\u017cono\u015bci\u201d.<\/span><\/p>\n
 Oznacza to, \u017ce b\u0119dziemy dokonywa\u0107 dalszych podzia\u0142\u00f3w na drzewie regresji, o ile ca\u0142kowity wsp\u00f3\u0142czynnik R-kwadrat modelu wzro\u015bnie co najmniej o warto\u015b\u0107 okre\u015blon\u0105 przez cp.<\/span><\/p>\n
 Nast\u0119pnie u\u017cyjemy funkcji printcp()<\/strong> do wydrukowania wynik\u00f3w modelu:<\/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
 Krok 3: Przytnij drzewo.<\/strong><\/span><\/p>\n
 Nast\u0119pnie przycinamy drzewo regresji, aby znale\u017a\u0107 optymaln\u0105 warto\u015b\u0107 cp (parametr z\u0142o\u017cono\u015bci), kt\u00f3ra prowadzi do najni\u017cszego b\u0142\u0119du testu.<\/span><\/p>\n
 Nale\u017cy zauwa\u017cy\u0107, \u017ce optymaln\u0105 warto\u015bci\u0105 cp jest ta, kt\u00f3ra prowadzi do najni\u017cszego b\u0142\u0119du x<\/strong> w poprzednim wyniku, co reprezentuje b\u0142\u0105d obserwacji z danych pochodz\u0105cych z walidacji krzy\u017cowej.<\/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
\"Drzewo<\/p>\n
 Widzimy, \u017ce ostatecznie przyci\u0119te drzewo ma sze\u015b\u0107 w\u0119z\u0142\u00f3w ko\u0144cowych. Ka\u017cdy w\u0119ze\u0142 li\u015bcia wy\u015bwietla przewidywan\u0105 pensj\u0119 graczy w tym w\u0119\u017ale, a tak\u017ce liczb\u0119 obserwacji z oryginalnego zbioru danych, kt\u00f3re nale\u017c\u0105 do tej klasy.<\/span><\/p>\n
 Na przyk\u0142ad widzimy, \u017ce w oryginalnym zbiorze danych by\u0142o 90 graczy z do\u015bwiadczeniem kr\u00f3tszym ni\u017c 4,5 roku, a ich \u015brednia pensja wynios\u0142a 225,83 tys. dolar\u00f3w.<\/span> <\/p>\n
\"Interpretacja<\/p>\n
 Krok 4: U\u017cyj drzewa do przewidywania.<\/strong><\/span><\/p>\n
 Mo\u017cemy wykorzysta\u0107 ostatecznie przyci\u0119te drzewo, aby przewidzie\u0107 pensj\u0119 danego gracza na podstawie jego wieloletniego do\u015bwiadczenia i \u015brednich home run\u00f3w.<\/span><\/p>\n
 Na przyk\u0142ad gracz, kt\u00f3ry ma 7 lat do\u015bwiadczenia i \u015brednio 4 home runy, ma oczekiwan\u0105 pensj\u0119 w wysoko\u015bci 502,81 tys. dolar\u00f3w<\/strong> .<\/span> <\/p>\n
\"Przyk\u0142ad<\/p>\n
 Aby to potwierdzi\u0107, mo\u017cemy u\u017cy\u0107 funkcji przewidywania()<\/strong> w R:<\/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
 Przyk\u0142ad 2: Budowa drzewa klasyfikacyjnego w R<\/strong><\/span><\/h3>\n
 W tym przyk\u0142adzie wykorzystamy zbi\u00f3r danych ptitanic<\/strong> z pakietu rpart.plot<\/strong> , kt\u00f3ry zawiera r\u00f3\u017cne informacje o pasa\u017cerach na pok\u0142adzie Titanica.<\/span><\/p>\n
 Wykorzystamy ten zbi\u00f3r danych do stworzenia drzewa klasyfikacyjnego, kt\u00f3re wykorzystuje zmienne predykcyjne class<\/em> , p\u0142e\u0107<\/em> i wiek<\/em> do przewidzenia, czy dany pasa\u017cer prze\u017cy\u0142, czy nie.<\/span><\/p>\n
 Aby utworzy\u0107 to drzewo klasyfikacji, wykonaj nast\u0119puj\u0105ce kroki.<\/span><\/p>\n
 Krok 1: Za\u0142aduj niezb\u0119dne pakiety.<\/strong><\/span><\/p>\n
 Najpierw za\u0142adujemy niezb\u0119dne pakiety dla tego przyk\u0142adu:<\/span><\/p>\n
 library<\/span> (rpart) #for fitting decision trees<\/span>\nlibrary<\/span> (rpart.plot) #for plotting decision trees\n<\/span><\/strong><\/pre>\n
 Krok 2: Zbuduj pocz\u0105tkowe drzewo klasyfikacji.<\/strong><\/span><\/p>\n
 Najpierw zbudujemy du\u017ce drzewo klasyfikacji pocz\u0105tkowej. Mo\u017cemy zagwarantowa\u0107, \u017ce drzewo b\u0119dzie du\u017ce, u\u017cywaj\u0105c ma\u0142ej warto\u015bci cp<\/strong> , kt\u00f3ra oznacza \u201eparametr z\u0142o\u017cono\u015bci\u201d.<\/span><\/p>\n
 Oznacza to, \u017ce b\u0119dziemy dokonywa\u0107 dalszych podzia\u0142\u00f3w na drzewie klasyfikacyjnym, o ile og\u00f3lne dopasowanie modelu wzro\u015bnie co najmniej o warto\u015b\u0107 okre\u015blon\u0105 przez cp.<\/span><\/p>\n
 Nast\u0119pnie u\u017cyjemy funkcji printcp()<\/strong> do wydrukowania wynik\u00f3w modelu:<\/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
 Krok 3: Przytnij drzewo.<\/strong><\/span><\/p>\n
 Nast\u0119pnie przycinamy drzewo regresji, aby znale\u017a\u0107 optymaln\u0105 warto\u015b\u0107 cp (parametr z\u0142o\u017cono\u015bci), kt\u00f3ra prowadzi do najni\u017cszego b\u0142\u0119du testu.<\/span><\/p>\n
 Nale\u017cy zauwa\u017cy\u0107, \u017ce optymaln\u0105 warto\u015bci\u0105 cp jest ta, kt\u00f3ra prowadzi do najni\u017cszego b\u0142\u0119du x<\/strong> w poprzednim wyniku, co reprezentuje b\u0142\u0105d obserwacji z danych pochodz\u0105cych z walidacji krzy\u017cowej.<\/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
\"Klasyfikacja<\/p>\n
 Widzimy, \u017ce ostatecznie przyci\u0119te drzewo ma 10 w\u0119z\u0142\u00f3w ko\u0144cowych. Ka\u017cdy w\u0119ze\u0142 ko\u0144cowy wskazuje liczb\u0119 pasa\u017cer\u00f3w, kt\u00f3rzy zgin\u0119li, a tak\u017ce liczb\u0119 ocala\u0142ych.<\/span><\/p>\n
 Na przyk\u0142ad w lewym w\u0119\u017ale widzimy, \u017ce zgin\u0119\u0142o 664 pasa\u017cer\u00f3w, a 136 prze\u017cy\u0142o.<\/span> <\/p>\n
\"Interpretacja<\/p>\n
 Krok 4: U\u017cyj drzewa do przewidywania.<\/strong><\/span><\/p>\n
 Mo\u017cemy wykorzysta\u0107 ostatnie przyci\u0119te drzewo, aby przewidzie\u0107 prawdopodobie\u0144stwo prze\u017cycia danego pasa\u017cera na podstawie jego klasy, wieku i p\u0142ci.<\/span><\/p>\n
 Przyk\u0142adowo, prawdopodobie\u0144stwo prze\u017cycia pasa\u017cera p\u0142ci m\u0119skiej w wieku 8 lat i podr\u00f3\u017cuj\u0105cego w pierwszej klasie wynosi 11\/29 = 37,9%.<\/span> <\/p>\n
\"Klasyfikacja<\/p>\n
 Pe\u0142ny kod R u\u017cyty w tych przyk\u0142adach mo\u017cna znale\u017a\u0107 tutaj<\/a> .<\/span><\/p>\n","protected":false},"excerpt":{"rendered":"
Gdy zwi\u0105zek mi\u0119dzy zestawem zmiennych predykcyjnych a zmienn\u0105 odpowiedzi jest liniowy, metody takie jak wielokrotna regresja liniowa mog\u0105 stworzy\u0107 dok\u0142adne modele predykcyjne. Je\u015bli jednak zwi\u0105zek mi\u0119dzy zestawem predyktor\u00f3w a reakcj\u0105 jest bardziej z\u0142o\u017cony, metody nieliniowe cz\u0119sto pozwalaj\u0105 na uzyskanie dok\u0142adniejszych modeli. Jedn\u0105 z takich metod s\u0105 drzewa klasyfikacji i regresji (CART), kt\u00f3re wykorzystuj\u0105 zestaw zmiennych […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-1218","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\nJak dopasowa\u0107 drzewa klasyfikacji i regresji w R<\/title>\n<meta name=\"description\" content=\"W tym samouczku wyja\u015bniono, jak dopasowa\u0107 drzewa klasyfikacji i regresji w j\u0119zyku R, wraz z przyk\u0142adami krok po kroku.\" \/>\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\/pl\/drzewa-klasyfikacyjne-i-regresyjne-w-r\/\" \/>\n<meta property=\"og:locale\" content=\"pl_PL\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Jak dopasowa\u0107 drzewa klasyfikacji i regresji w R\" \/>\n<meta property=\"og:description\" content=\"W tym samouczku wyja\u015bniono, jak dopasowa\u0107 drzewa klasyfikacji i regresji w j\u0119zyku R, wraz z przyk\u0142adami krok po kroku.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/statorials.org\/pl\/drzewa-klasyfikacyjne-i-regresyjne-w-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=\"Napisane przez\" \/>\n\t<meta name=\"twitter:data1\" content=\"Benjamin Anderson\" \/>\n\t<meta name=\"twitter:label2\" content=\"Szacowany czas czytania\" \/>\n\t<meta name=\"twitter:data2\" content=\"6 minut\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/statorials.org\/pl\/drzewa-klasyfikacyjne-i-regresyjne-w-r\/\",\"url\":\"https:\/\/statorials.org\/pl\/drzewa-klasyfikacyjne-i-regresyjne-w-r\/\",\"name\":\"Jak dopasowa\u0107 drzewa klasyfikacji i regresji w R\",\"isPartOf\":{\"@id\":\"https:\/\/statorials.org\/pl\/#website\"},\"datePublished\":\"2023-07-27T06:02:37+00:00\",\"dateModified\":\"2023-07-27T06:02:37+00:00\",\"author\":{\"@id\":\"https:\/\/statorials.org\/pl\/#\/schema\/person\/6484727a4612df3e69f016c3129c6965\"},\"description\":\"W tym samouczku wyja\u015bniono, jak dopasowa\u0107 drzewa klasyfikacji i regresji w j\u0119zyku R, wraz z przyk\u0142adami krok po kroku.\",\"breadcrumb\":{\"@id\":\"https:\/\/statorials.org\/pl\/drzewa-klasyfikacyjne-i-regresyjne-w-r\/#breadcrumb\"},\"inLanguage\":\"pl-PL\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/statorials.org\/pl\/drzewa-klasyfikacyjne-i-regresyjne-w-r\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/statorials.org\/pl\/drzewa-klasyfikacyjne-i-regresyjne-w-r\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Dom\",\"item\":\"https:\/\/statorials.org\/pl\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Jak dopasowa\u0107 drzewa klasyfikacji i regresji w r\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/statorials.org\/pl\/#website\",\"url\":\"https:\/\/statorials.org\/pl\/\",\"name\":\"Statorials\",\"description\":\"Tw\u00f3j przewodnik po kompetencjach statystycznych!\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/statorials.org\/pl\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"pl-PL\"},{\"@type\":\"Person\",\"@id\":\"https:\/\/statorials.org\/pl\/#\/schema\/person\/6484727a4612df3e69f016c3129c6965\",\"name\":\"Benjamin Anderson\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"pl-PL\",\"@id\":\"https:\/\/statorials.org\/pl\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/statorials.org\/pl\/wp-content\/uploads\/2023\/11\/Benjamin-Anderson-96x96.jpg\",\"contentUrl\":\"https:\/\/statorials.org\/pl\/wp-content\/uploads\/2023\/11\/Benjamin-Anderson-96x96.jpg\",\"caption\":\"Benjamin Anderson\"},\"description\":\"Cze\u015b\u0107, jestem Benjamin i jestem emerytowanym profesorem statystyki, kt\u00f3ry zosta\u0142 oddanym nauczycielem Statorials. Dzi\u0119ki bogatemu do\u015bwiadczeniu i wiedzy specjalistycznej w dziedzinie statystyki ch\u0119tnie dziel\u0119 si\u0119 swoj\u0105 wiedz\u0105, aby wzmocni\u0107 pozycj\u0119 uczni\u00f3w za po\u015brednictwem Statorials. Wiedzie\u0107 wi\u0119cej\",\"sameAs\":[\"https:\/\/statorials.org\/pl\"]}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Jak dopasowa\u0107 drzewa klasyfikacji i regresji w R","description":"W tym samouczku wyja\u015bniono, jak dopasowa\u0107 drzewa klasyfikacji i regresji w j\u0119zyku R, wraz z przyk\u0142adami krok po kroku.","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\/pl\/drzewa-klasyfikacyjne-i-regresyjne-w-r\/","og_locale":"pl_PL","og_type":"article","og_title":"Jak dopasowa\u0107 drzewa klasyfikacji i regresji w R","og_description":"W tym samouczku wyja\u015bniono, jak dopasowa\u0107 drzewa klasyfikacji i regresji w j\u0119zyku R, wraz z przyk\u0142adami krok po kroku.","og_url":"https:\/\/statorials.org\/pl\/drzewa-klasyfikacyjne-i-regresyjne-w-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":{"Napisane przez":"Benjamin Anderson","Szacowany czas czytania":"6 minut"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/statorials.org\/pl\/drzewa-klasyfikacyjne-i-regresyjne-w-r\/","url":"https:\/\/statorials.org\/pl\/drzewa-klasyfikacyjne-i-regresyjne-w-r\/","name":"Jak dopasowa\u0107 drzewa klasyfikacji i regresji w R","isPartOf":{"@id":"https:\/\/statorials.org\/pl\/#website"},"datePublished":"2023-07-27T06:02:37+00:00","dateModified":"2023-07-27T06:02:37+00:00","author":{"@id":"https:\/\/statorials.org\/pl\/#\/schema\/person\/6484727a4612df3e69f016c3129c6965"},"description":"W tym samouczku wyja\u015bniono, jak dopasowa\u0107 drzewa klasyfikacji i regresji w j\u0119zyku R, wraz z przyk\u0142adami krok po kroku.","breadcrumb":{"@id":"https:\/\/statorials.org\/pl\/drzewa-klasyfikacyjne-i-regresyjne-w-r\/#breadcrumb"},"inLanguage":"pl-PL","potentialAction":[{"@type":"ReadAction","target":["https:\/\/statorials.org\/pl\/drzewa-klasyfikacyjne-i-regresyjne-w-r\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/statorials.org\/pl\/drzewa-klasyfikacyjne-i-regresyjne-w-r\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Dom","item":"https:\/\/statorials.org\/pl\/"},{"@type":"ListItem","position":2,"name":"Jak dopasowa\u0107 drzewa klasyfikacji i regresji w r"}]},{"@type":"WebSite","@id":"https:\/\/statorials.org\/pl\/#website","url":"https:\/\/statorials.org\/pl\/","name":"Statorials","description":"Tw\u00f3j przewodnik po kompetencjach statystycznych!","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/statorials.org\/pl\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"pl-PL"},{"@type":"Person","@id":"https:\/\/statorials.org\/pl\/#\/schema\/person\/6484727a4612df3e69f016c3129c6965","name":"Benjamin Anderson","image":{"@type":"ImageObject","inLanguage":"pl-PL","@id":"https:\/\/statorials.org\/pl\/#\/schema\/person\/image\/","url":"https:\/\/statorials.org\/pl\/wp-content\/uploads\/2023\/11\/Benjamin-Anderson-96x96.jpg","contentUrl":"https:\/\/statorials.org\/pl\/wp-content\/uploads\/2023\/11\/Benjamin-Anderson-96x96.jpg","caption":"Benjamin Anderson"},"description":"Cze\u015b\u0107, jestem Benjamin i jestem emerytowanym profesorem statystyki, kt\u00f3ry zosta\u0142 oddanym nauczycielem Statorials. Dzi\u0119ki bogatemu do\u015bwiadczeniu i wiedzy specjalistycznej w dziedzinie statystyki ch\u0119tnie dziel\u0119 si\u0119 swoj\u0105 wiedz\u0105, aby wzmocni\u0107 pozycj\u0119 uczni\u00f3w za po\u015brednictwem Statorials. Wiedzie\u0107 wi\u0119cej","sameAs":["https:\/\/statorials.org\/pl"]}]}},"yoast_meta":{"yoast_wpseo_title":"","yoast_wpseo_metadesc":"","yoast_wpseo_canonical":""},"_links":{"self":[{"href":"https:\/\/statorials.org\/pl\/wp-json\/wp\/v2\/posts\/1218","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/statorials.org\/pl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/statorials.org\/pl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/statorials.org\/pl\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/statorials.org\/pl\/wp-json\/wp\/v2\/comments?post=1218"}],"version-history":[{"count":0,"href":"https:\/\/statorials.org\/pl\/wp-json\/wp\/v2\/posts\/1218\/revisions"}],"wp:attachment":[{"href":"https:\/\/statorials.org\/pl\/wp-json\/wp\/v2\/media?parent=1218"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/statorials.org\/pl\/wp-json\/wp\/v2\/categories?post=1218"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/statorials.org\/pl\/wp-json\/wp\/v2\/tags?post=1218"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}