突然资讯网
首页 >> 热门 >> 正文

数据准备breast,我写完了这个推文,建议收藏

日期:2021-01-24 20:53:27 来源:互联网 编辑:小狐 阅读人数:969

数据准备breast

数据准备breast,我写完了这个推文,建议收藏(图1)

dtree.pruned < -prune dtree, cp= .0100 利用 rpart.plot包的 prp函数展示决策树library rpart.plotprp dtree.pruned,type= 2,extra= 104,fallen.leaves= TRUE,main= “Decision Tree”

数据准备breast,我写完了这个推文,建议收藏(图2)

上面的图片风格不喜欢的话,可以接着用下面这种美化后的风格librarypartykitplot as.partydtree.pruned

数据准备breast,我写完了这个推文,建议收藏(图3)

接着利用外部验证集结果验证决策树模型的可靠性dtree.pred

这样经典决策树模型就构建完成,难度不大,但是竞争力很强,看多了风险预测模型,来个决策树模型在最后给文章提亮一下好像也还不错是吧?那能不能再高端一点呢?当然可以,我们接着看条件推断树.

条件推断树的构建

条件推断树和经典决策树类似,区别在于算法不同,条件推断树的变量和分割的选取是基于显著性检验,而不是同质性或者纯净度这一类的变量,我们同样直接看如何操作,这一部分代码非常简单:

library(party)fit.ctree 1 5)* weights = 8 2) SizeUniformity > 3 6)* weights = 16 1) bareNuc > 2 7) blandChr <= 3; criterion = 1, statistic = 42.137 8) Tumor_Thickness <= 6; criterion = 1, statistic = 20.794 9)* weights = 26 8) Tumor_Thickness > 6 10)* weights = 15 7) blandChr > 3 11) bareNuc <= 8; criterion = 0.991, statistic = 10.744 12)* weights = 40 11) bareNuc > 8 13)* weights = 89summary(fit.ctree) Length Class Mode 1 BinaryTree S4plot(fit.ctree) 绘制条件推断树

数据准备breast,我写完了这个推文,建议收藏(图4)

利用验证集对数据进行验证ctree.pred

凌晨两点,我写完了这个推文,都说深夜容易引发人的感慨,此言诚不我欺!我竟不禁想到几年前我另一位师兄问我会不会做决策树的时候,我还只能问他决策树是什么东东/(ㄒoㄒ)/~~ 那可能今天我不会的东西,过完春节我就会了?哎深夜发梦胡思乱想胡言乱语语无伦次想得美了!今天就到这里,大家晚安,后台回复“feng34”获得本次代码和数据,那我们下次再见吧!*^_^*

碎碎念专栏传送门

拨开数据迷云雾,得见缺失值真面目

风之美图系列传送门

撰文 丨风 风

排版丨四金兄

值班 先锋宇

本文相关词条概念解析:

决策树

决策树(DecisionTree)是在已知各种情况发生概率的基础上,通过构成决策树来求取净现值的期望值大于等于零的概率,评价项目风险,判断其可行性的决策分析方法,是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干,故称决策树。在机器学习中,决策树是一个预测模型,他代表的是对象属性与对象值之间的一种映射关系。Entropy=系统的凌乱程度,使用算法ID3,C4.5和C5.0生成树算法使用熵。这一度量是基于信息学理论中熵的概念。决策树是数据挖掘分类算法的一个重要方法。在各种分类算法中,决策树是最直观的一种。

网友评论