Fatal编程技术网
  • r/
  • R 如何修剪一棵树？

R 如何修剪一棵树？

r machine-learning

R 如何修剪一棵树？,r,machine-learning,decision-tree,rpart,R,Machine Learning,Decision Tree,Rpart,我正在使用R中的rpart进行分类。树模型通过以下方式进行训练： > tree <- rpart(activity ~ . , data=trainData) > pData1 <- predict(tree, testData, type="class") 我阅读了一篇关于通过交叉验证修剪树的文章： > ptree <- prune(tree,cp=tree$cptable[which.min(tree$cptable[,"xerror"]),"CP"])

我正在使用R中的rpart进行分类。树模型通过以下方式进行训练：

> tree <- rpart(activity ~ . , data=trainData)
> pData1 <- predict(tree, testData, type="class")
我阅读了一篇关于通过交叉验证修剪树的文章：

> ptree <- prune(tree,cp=tree$cptable[which.min(tree$cptable[,"xerror"]),"CP"])
> pData2 <- predict(ptree, testData, type="class")
我想知道我修剪过的树怎么了？如何在R中使用交叉验证修剪树模型？谢谢。

您使用了最小交叉验证错误树。另一种方法是使用最小的树，该树与最佳树（您正在选择的树）的标准误差在1以内。原因是，考虑到误差的CV估计，1个标准误差内最小的树在预测方面的表现与最佳（最低CV误差）树一样好，但它使用的“术语”更少

通过以下方式绘制未修剪树的成本复杂性与树大小：

plotcp(tree)
找到最小错误树左侧的树，该树的cp值位于最小错误树的错误条内

修剪不会影响树木的原因可能有很多。例如，最佳树可能是算法根据
？rpart.control
中指定的停止规则停止的树

> sum(testData$activity==pData2)/length(pData2)
[1] 0.8094276

plotcp(tree)