chapter8 决策树随机森林1
需积分: 0 186 浏览量
2022-08-03
23:59:03
上传
评论
收藏 3.77MB PDF 举报
&
30
．
实验
」决 策
·
，
2
8
，
3 实
验
：
决
策
树
8
，
3
，
1构
建
分类
树
加 载
0
“
。
包
以建
立
分
类
树
和
回
归
树。
>
library(tree)
首先
用分
类树
分
析
carseats
（
座
椅
）
数
据
集
量，
所 以
需
要将
它
记
为
：
元
变
量
。
用
函
数
！
！
。
！
。
“
由
于
0
数
创
据
建
中
一
的
个
名
sales
为
"
'
（
0
"
销
（
量
高
）
销
是
量
一
）
个
的
连
变
续
量
变
，
若
sales
的
值
大
于
8
，
变
量
皿
gh
就
取 Y
“
，
否
则
取
“ 。
>
library
〈ISLR)
>
attach(Carseatg)
>
High—ifelse(Sales<•8,"Non,"Yeg")
最后用 函数
data.
frame
0
将
变
量
High
与
carseats
数据集
中的其他数据合并 。
>
Carseatg=data.
,High)
现在
用 函数
tree
0 建
立
分
类树
，
用
除
sales
之
外的
所有变
量预
测
High0 函数
乜：。
。0 的语
法与函数 工- 以
> tree
，
carseats—tree(HighN.—Sa1es
,Carseats)
函数
summary
0 列 出了用于生成终
端结点的所有变量、终 端结
点个数和
（训 练）错 误率 。
> summary
(tree
.carseats)
Classification tree
：
tree (formula
= High
～
Sales，
data “
Carseats)
Variables actually
used in
tree'
'construction
：
[
1
〕"ShelveLoc
以
"Price"
皿
come
" CompPrice
[ 5
〕．
'"Population
'
"Advertising
Number 0
terminal
nodeg
：
27
Residual
mean
deviance
．
0．4575
“
170．7 /
373
M土
sclass
土
土cat
攵
on
error
rate
：
0
．
09
·
36
/ 400
可知 训 练 错
误 率
是
9
％
。
函数
summary
0
输
出的
分
类树
偏差
由下式 给 出 ：
这
里
的
，
“是
第
“
个
终
端
结
点
处
属
于
第
类
的
观
测值
的个
数
。
偏差小说 明
一
棵
树
很 好
地 拟 合
了
（训 练 ） 数 据
。
输
出
的
平
均
残
差
是
用
偏
差
除
以
，到
得
到的 ，
在这里
为
400
一27
：
373。
树
最 吸
引
人
的
特
点
之
一
就
是
它
可
以
用
图
形
表
示。用
函数 邙 ）
显
示
树 的结
构 ，
用 函
数
0
。
“ 0 显
示
结
点
标
记。
参
数
0
“
0
展
示各个类
名
的
首
字
母
。
、 plot
（
t
：
00
，
ca
：
00
）
、
、
0
，
、
：
00
“
·
！
00
'
'pretty•0)
对 “ ！“ 最
重
要
的
指
标
应
该
是
架
设
位
置
，
位置进行了
区分
。
使
“输
出
所
有定
性
预测变
量 的类
别
名 ，
而 不
是 仅 仅
因
为
第
一
个
分
支就
将
0
。。
0
位置
与 000
和 “
0
。
如
、
只
输
`
树
对
象
的
名
字
，
“
会
输
树
0
，
、
一
分
支
的
、
测
值
数
、
偏
，
个
分
支
、
、
。
“会
、
、、
！例
、
“ 、
。
一
分
、
的
体 0
“
“ ）
'
一
评论0
最新资源