为什么使用插入符号：：train（…，method="；rpart"；）的结果与rpart：：rpart（…）不同？

我正在参加Coursera实用机器学习课程，该课程要求使用该工具构建预测模型。根据感兴趣的结果（此处标记为

y

，但实际上是数据集中的

classe

变量），将数据分为

training

和

testing

数据集后：

方法2（rpart）

：

如您所见，第二种方法是一种更好的分类器——第一种方法对于D&E类来说非常糟糕

---

我意识到这可能不是问这个问题的最合适的地方，但我真的希望能对这个问题和相关问题有更多的了解<代码>插入符号似乎是统一方法和调用语法的一个很好的包，但我现在不太愿意使用它。

插入符号

实际上在幕后做得更多。特别是。在您的例子中，它尝试三个

cp

（键入

modFit

，您将看到每个值的准确度结果），而

rpart

仅使用0.01，除非您另有说明（请参见

？rpart.control

）。交叉验证也需要更长的时间，特别是因为默认情况下，

caret

使用引导

为了获得类似的结果，您需要禁用交叉验证并指定

cp

：

modFit <- caret::train(y ~ ., method = "rpart", data = training,
                       trControl=trainControl(method="none"),
                       tuneGrid=data.frame(cp=0.01))

---

modFit非常感谢@Peyton的回答-这解释了很多，也帮了很多忙！
modFit <- caret::train(y ~ ., method = "rpart", data = training)
pred <- predict(modFit, newdata = testing)
confusionMatrix(pred, testing$y)

modFit <- rpart::rpart(y ~ ., data = training)
pred <- predict(modFit, newdata = testing, type = "class")
confusionMatrix(pred, testing$y)

Confusion Matrix and Statistics

Reference
Prediction    A    B    C    D    E
         A 1264  374  403  357  118
         B   25  324   28  146  124
         C  105  251  424  301  241
         D    0    0    0    0    0
         E    1    0    0    0  418

Confusion Matrix and Statistics

Reference 
Prediction    A    B    C    D    E
         A 1288  176   14   79   25
         B   36  569   79   32   68
         C   31   88  690  121  113
         D   14   66   52  523   44
         E   26   50   20   49  651

modFit <- caret::train(y ~ ., method = "rpart", data = training,
                       trControl=trainControl(method="none"),
                       tuneGrid=data.frame(cp=0.01))