Як намалювати дерево рішень у r (з прикладом)

У машинному навчанні дерево рішень — це тип моделі, яка використовує набір змінних предиктора для створення дерева рішень, яке передбачає значення змінної відповіді.

Найпростіший спосіб побудувати дерево рішень у R — це використати функцію prp() із пакету rpart.plot .

У наступному прикладі показано, як використовувати цю функцію на практиці.

Приклад: малювання дерева рішень у R

Для цього прикладу ми використаємо набір даних Hitters із пакету ISLR , який містить різноманітну інформацію про 263 професійних бейсболістів.

Ми використаємо цей набір даних для побудови дерева регресії, яке використовує хоум-рани та зіграні роки для прогнозування зарплати певного гравця.

Наступний код показує, як підібрати це дерево регресії та як використовувати функцію prp() для малювання дерева:

 library (ISLR)
library (rpart)
library (rpart.plot)

#build the initial decision tree
tree <- rpart(Salary ~ Years + HmRun, data=Hitters, control=rpart. control (cp= .0001 ))

#identify best cp value to use
best <- tree$cptable[which. min (tree$cptable[," xerror "])," CP "]

#produce a pruned tree based on the best cp value
pruned_tree <- prune (tree, cp=best)

#plot the pruned tree
prp(pruned_tree)

Зверніть увагу, що ми також можемо налаштувати вигляд дерева рішень за допомогою аргументів faclen , extra , roundint і digits у функції prp ():

 #plot decision tree using custom arguments
prp(pruned_tree,
    faclen= 0 , #use full names for factor labels
    extra= 1 , #display number of observations for each terminal node
    roundint= F , #don't round to integers in output
    digits= 5 ) #display 5 decimal places in output 

Ми бачимо, що дерево має шість кінцевих вузлів.

Кожен термінальний вузол відображає прогнозовану зарплату гравців у цьому вузлі, а також кількість спостережень з вихідного набору даних, які належать до цього рейтингу.

Наприклад, ми бачимо, що в початковому наборі даних було 90 гравців із досвідом менше 4,5 років і їхня середня зарплата становила 225,83 тисячі доларів .

Ми також можемо використовувати дерево, щоб передбачити зарплату певного гравця на основі його багаторічного досвіду та середнього хоумрану.

Наприклад, очікувана зарплата гравця, який має 7 років досвіду та 4 хоум-рани в середньому, становить 502,81 тис. доларів .

Це одна з переваг використання дерева рішень: ми можемо легко візуалізувати та інтерпретувати результати.

Додаткові ресурси

Наступні посібники надають додаткову інформацію про дерева рішень:

Введення в дерева класифікації та регресії
Дерево рішень проти випадкових лісів: у чому різниця?
Як підібрати дерева класифікації та регресії в R