A maneira mais f\u00e1cil de tra\u00e7ar uma \u00e1rvore de decis\u00e3o em R \u00e9 usar a fun\u00e7\u00e3o prp()<\/strong> do pacote rpart.plot<\/strong> .<\/span><\/span><\/p>\n O exemplo a seguir mostra como usar esta fun\u00e7\u00e3o na pr\u00e1tica.<\/span><\/p>\n Para este exemplo, usaremos o conjunto de dados Hitters<\/strong> do pacote ISLR<\/strong> , que cont\u00e9m diversas informa\u00e7\u00f5es sobre 263 jogadores profissionais de beisebol.<\/span><\/p>\n Usaremos esse conjunto de dados para construir uma \u00e1rvore de regress\u00e3o que usa home runs e anos jogados para prever o sal\u00e1rio de um determinado jogador.<\/span><\/p>\n O c\u00f3digo a seguir mostra como ajustar esta \u00e1rvore de regress\u00e3o e como usar a fun\u00e7\u00e3o prp()<\/strong> para desenhar a \u00e1rvore:<\/span> <\/p>\n Observe que tamb\u00e9m podemos personalizar a apar\u00eancia da \u00e1rvore de decis\u00e3o usando os argumentos faclen<\/strong> , extra<\/strong> , roundint<\/strong> e digits<\/strong> na fun\u00e7\u00e3o prp<\/strong> ():<\/span> <\/p>\n Podemos ver que a \u00e1rvore possui seis n\u00f3s terminais.<\/span><\/p>\n Cada n\u00f3 terminal exibe o sal\u00e1rio previsto dos jogadores naquele n\u00f3, bem como o n\u00famero de observa\u00e7\u00f5es do conjunto de dados original que pertencem a essa classifica\u00e7\u00e3o.<\/span><\/p>\n Por exemplo, podemos ver que no conjunto de dados original, havia 90 jogadores com menos de 4,5 anos de experi\u00eancia e seu sal\u00e1rio m\u00e9dio era de US$ 225,83 mil<\/strong> .<\/span> <\/p>\n Tamb\u00e9m podemos usar a \u00e1rvore para prever o sal\u00e1rio de um determinado jogador com base em seus anos de experi\u00eancia e na m\u00e9dia de home runs.<\/span><\/p>\n Por exemplo, um jogador que tem 7 anos de experi\u00eancia e 4 home runs em m\u00e9dia tem um sal\u00e1rio esperado de $ 502,81 mil<\/strong> .<\/span> <\/p>\n Essa \u00e9 uma das vantagens de utilizar uma \u00e1rvore de decis\u00e3o: podemos visualizar e interpretar facilmente os resultados.<\/span><\/p>\n Os tutoriais a seguir fornecem informa\u00e7\u00f5es adicionais sobre \u00e1rvores de decis\u00e3o:<\/span><\/p>\n Uma introdu\u00e7\u00e3o \u00e0s \u00e1rvores de classifica\u00e7\u00e3o e regress\u00e3o<\/a> No aprendizado de m\u00e1quina , uma \u00e1rvore de decis\u00e3o \u00e9 um tipo de modelo que usa um conjunto de vari\u00e1veis preditoras para criar uma \u00e1rvore de decis\u00e3o que prev\u00ea o valor de uma vari\u00e1vel de resposta. A maneira mais f\u00e1cil de tra\u00e7ar uma \u00e1rvore de decis\u00e3o em R \u00e9 usar a fun\u00e7\u00e3o prp() do pacote […]<\/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":[],"class_list":["post-3504","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n Exemplo: desenhando uma \u00e1rvore de decis\u00e3o em 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![\"desenhe](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/decision2.jpg\")
<\/p>\n![\"Interpretando](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/arbre4.png\")
<\/p>\n![\"Exemplo](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/arbre5.png\")
<\/p>\n Recursos adicionais<\/span><\/strong><\/span><\/h2>\n
\u00c1rvore de decis\u00e3o vs florestas aleat\u00f3rias: qual a diferen\u00e7a?<\/a>
Como ajustar \u00e1rvores de classifica\u00e7\u00e3o e regress\u00e3o em R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"