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:R:将rpart回归树结果应用于其他数据,r,tree,rpart,R,Tree,Rpart,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
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