R：将rpart回归树结果应用于其他数据

将Rpart（）函数应用于R中的数据集后，请使用：

print(R_Part_Train_Output)

我得出了以下结果：

 1) root 3678351 1121767000 30.46863  
   2) Var1>=4.5 2889077  732026500 26.62383  
     4) Var2=E Europe,Eur Union,Irish Rep,Oth 1097632  163740000 19.31832  
       8) Var3< 133.5 495297   30775570 16.70123 *
       9) Var3>=133.5 602335  126782600 21.47033 *  
     5) Var2=Africa,Aus NZ,Car, L Am,E Asia,M East C Asia,N America,S Asia 1791445  473812200 31.09997  
       10) Var3< 180.5 1042740  128509300 27.32818  
         20) Var3 < 110.5 410147   27371200 24.29461 *   
         21) Var3>=110.5 632593   94916560 29.29503 *  
       11) Var3>=180.5 748705  309808200 36.35303  
         22) Var4=B 99523   20792900 29.26750 *  
         23) Var4=A 649182  283252800 37.43929 *  
   3) Var1< 4.5 789274  190704300 44.54223  
     6) Var3< 168.5 374571   50560270 40.89094 *  
     7) Var3>=168.5 414703  130639800 47.84017 *

1）根目录3678351121767000 30.46863
2） Var1>=4.5 288907732026500 26.62383
4） Var2=欧洲东部、欧盟、爱尔兰代表，Oth 1097632 1637400 19.31832
8） Var3<133.5 495297 30775570 16.70123*
9） Var3>=133.5 602335 126782600 21.47033*
5） Var2=非洲、澳大利亚、新西兰、Car、美国、东亚、中亚、北美、南亚1791445 473812200 31.09997
10） Var3<180.5 1042740 128509300 27.32818
20） Var3<110.5 410147 27371200 24.29461*
21）Var3>=110.5 632593 94916560 29.29503*
11） Var3>=180.5 748705 309808200 36.35303
22）Var4=B 99523 20792900 29.26750*
23）Var4=A 649182 283252800 37.43929*
3） Var1<4.5 789274 190704300 44.54223
6） Var3<168.5 374571 50560270 40.89094*
7） Var3>=168.5 414703 130639800 47.84017*

是否有一种方法可以将此回归树拆分应用于数据集，而不是用于创建树本身的数据集。

---

当然，我可以手动将这些数据拆分为这些部分，但是由于大量的观察结果，构建代码和应用代码都会很麻烦。内置函数会简单得多。

是的，您可以使用predict。看到了吗？predict.rpart

library(rpart)
TreeModel = rpart(Petal.Width ~ ., iris[,1:4])
TreeModel
n= 150 
node), split, n, deviance, yval
      * denotes terminal node
 1) root 150 86.5699300 1.199333  
   2) Petal.Length< 2.45 50  0.5442000 0.246000 *
   3) Petal.Length>=2.45 100 17.8624000 1.676000  
     6) Petal.Length< 4.75 45  1.5200000 1.300000 *
     7) Petal.Length>=4.75 55  4.7752730 1.983636  
      14) Petal.Length< 5.05 13  0.4676923 1.730769 *
      15) Petal.Length>=5.05 42  3.2190480 2.061905 *

NewPoint = data.frame(Sepal.Length = 4.5, Sepal.Width=3.3, Petal.Length=0.2)
predict(TreeModel, NewPoint)
    1 
0.246 

库（rpart）
TreeModel=rpart（花瓣宽度~，虹膜[，1:4]）
树模型
n=150
节点），拆分，n，偏差，yval
*表示终端节点
1） 根150 86.5699300 1.199333
2） 花瓣长度<2.45 50 0.5442000 0.246000*
3） 花瓣长度>=2.45 100 17.8624000 1.676000
6） 花瓣长度<4.75 45 1.520万1.30万*
7） 花瓣长度>=4.75 55 4.7752730 1.983636
14） 花瓣长度<5.05 13 0.4676923 1.730769*
15） 花瓣长度>=5.05 42 3.2190480 2.061905*
NewPoint=data.frame（萼片长=4.5，萼片宽=3.3，花瓣长=0.2）
预测（TreeModel、NewPoint）
1.
0.246

是的，您可以使用predict。看到了吗？predict.rpart

library(rpart)
TreeModel = rpart(Petal.Width ~ ., iris[,1:4])
TreeModel
n= 150 
node), split, n, deviance, yval
      * denotes terminal node
 1) root 150 86.5699300 1.199333  
   2) Petal.Length< 2.45 50  0.5442000 0.246000 *
   3) Petal.Length>=2.45 100 17.8624000 1.676000  
     6) Petal.Length< 4.75 45  1.5200000 1.300000 *
     7) Petal.Length>=4.75 55  4.7752730 1.983636  
      14) Petal.Length< 5.05 13  0.4676923 1.730769 *
      15) Petal.Length>=5.05 42  3.2190480 2.061905 *

NewPoint = data.frame(Sepal.Length = 4.5, Sepal.Width=3.3, Petal.Length=0.2)
predict(TreeModel, NewPoint)
    1 
0.246 

库（rpart）
TreeModel=rpart（花瓣宽度~，虹膜[，1:4]）
树模型
n=150
节点），拆分，n，偏差，yval
*表示终端节点
1） 根150 86.5699300 1.199333
2） 花瓣长度<2.45 50 0.5442000 0.246000*
3） 花瓣长度>=2.45 100 17.8624000 1.676000
6） 花瓣长度<4.75 45 1.520万1.30万*
7） 花瓣长度>=4.75 55 4.7752730 1.983636
14） 花瓣长度<5.05 13 0.4676923 1.730769*
15） 花瓣长度>=5.05 42 3.2190480 2.061905*
NewPoint=data.frame（萼片长=4.5，萼片宽=3.3，花瓣长=0.2）
预测（TreeModel、NewPoint）
1.
0.246

查看

？predict.rpart

查看

？predict.rpart