R 预测模型决策树

我想在R中使用决策树分类构建预测模型。我使用以下代码：

library(rpart)
library(caret)
DataYesNo <- read.csv('DataYesNo.csv', header=T)
summary(DataYesNo)
worktrain <- sample(1:50, 40)
worktest  <- setdiff(1:50, worktrain)
DataYesNo[worktrain,]
DataYesNo[worktest,]
M      <- ncol(DataYesNo)
input  <- names(DataYesNo)[1:(M-1)]                 
target <- “YesNo”                                       
tree   <- rpart(YesNo~Var1+Var2+Var3+Var4+Var5,
                data=DataYesNo[worktrain, c(input,target)],
                method="class",
                parms=list(split="information"),
                control=rpart.control(usesurrogate=0, maxsurrogate=0))

summary(tree) 
plot(tree)
text(tree) 

我只有一个根变量3和两个叶是的，不是。我不确定这个结果。如何获得混淆矩阵、准确性、敏感性和特异性？

---

我可以用插入符号包获取它们吗？

如果您使用模型对测试集进行预测，则可以使用confusionMatrix获取您要寻找的度量值

像这样的

predictions <- predict(tree, worktest)
cmatrix <- confusionMatrix(predictions, worktest$YesNo)
print(cmatrix)

---

一旦你创建了一个混乱矩阵，其他的度量也可以得到——我现在不记得了

根据您的示例，混淆矩阵可如下所示

fitted <- predict(tree, DataYesNo[worktest, c(input,target)])
actual <- DataYesNo[worktest, c(target)]
confusion <- table(data.frame(fitted = fitted, actual = actual))