R 树和逻辑给出不同的结果

我试图分析两个自变量（比如x1和x2）对因变量（y二进制var）的影响。 当我使用rpart或信息增益时，结果表明x1比x2更重要。（先在x1上拆分，信息增益也更大）

---

当我在y~x1+x2上使用glm时，结果显示x2非常显著，而x1不显著。谁能帮我解释一下原因，我应该用哪一个？谢谢

因为树和逻辑回归遵循不同的算法，所以它们完全可能给出不同的结果

这通常意味着

x1

和

x2

是相关的

x1

和

x2

都不能很好地预测

y

如果它们是相关的，则使用PCA或类似技术来降低它们的相关性。否则，使用哪一个取决于您的数据。您可以使用“训练测试集”方法来确定哪种方法更适合该模型

---

只要记住树是吵闹的。随机林（随机林包）可能是一个更好的模型。

这个问题似乎离题了，因为它是关于统计方法和解释，而不是编程，并且已经标记为迁移到交叉验证。一旦迁移到交叉验证，您可能还需要考虑编辑问题以添加更多的信息（例如，<代码>摘要（））< /代码>的结果。