原文鏈接：http://tecdat.cn/?p=24956?

原文出處：拓端數(shù)據(jù)部落公眾號

繪制分類或回歸樹的基本方法的 rpart() 函數(shù)只是調(diào)用 plot。然而，總的來說，結(jié)果并不漂亮。事實證明，一段時間以來，有一種更好的方法來繪制 rpart() 樹。

我們可以大概瀏覽下如何實現(xiàn)，并且進一步研究。

1. 


2. # 繪制分類樹圖

3. 


4. library(rpart) # 流行的決策樹算法

5. library(party) # 替代決策樹算法

6. library(partykit) # 將rpart對象轉(zhuǎn)換為二叉樹

7. data# 獲取一些數(shù)據(jù)

8. 


9. # 繪制大樹

10. frm <- as.form

11. tee1 <- rpart

12. #

13. plot# 繪圖很混亂

14. text

15. #

16. pr# 將對樹進行繪圖

17. vale=3 # 縮短變量名稱

18. 


19. # 對樹進行交互式修剪

20. pp$obj # 以交互方式修剪樹形

21. pp # 顯示新的樹木

22. #

23. #-------------------------------------------------------------------

24. rpart# 一個更合理的樹

25. prp# 一個快速繪圖

26. fayRpPot# 一個來自rattle的花式繪圖

27. #

28. #-------------------------------------------------------------------

29. # 繪制一棵用RevoScaleR構(gòu)建的樹

30. # 構(gòu)建一個模型公式

31. names

32. X <- as.vector

33. frm <- as.form

34. # 運行模型

35. DTree

36. # 繪制樹形圖

37. prp

38. faRaPlt

39. 


數(shù)據(jù)描述

Hill, LaPan, Li和Haney(2007)開發(fā)了模型來預(yù)測高含量屏幕中哪些細胞被很好地分割。該數(shù)據(jù)由2019年的119次成像測量組成。最初的分析使用1009個進行訓(xùn)練，1010個作為測試集（見稱為案例的一欄）。

詳細內(nèi)容

結(jié)果類別包含在一個名為Class的因子變量中，水平為 "PS "表示分割不良，"WS "表示分割良好。

論文中使用的原始數(shù)據(jù)可以在Biomedcentral網(wǎng)站上找到。caret < 4.98的版本包含原始數(shù)據(jù)?，F(xiàn)在的版本是經(jīng)過修改的。首先，一些預(yù)測因子的幾個離散版本（后綴為 "狀態(tài)"）被刪除。第二，有幾個最小值為0的傾斜預(yù)測因子（將受益于某種轉(zhuǎn)換，如對數(shù)）。在這些字段中加入了1的常量值。AvgIntenCh2、FiberAlign2Ch3、FiberAlign2Ch4、SpotFiberCountCh4和TotalIntenCh2。

修剪和繪制樹

加載數(shù)據(jù)后，腳本構(gòu)建 rpart() 分類樹。使用 plot() 繪制樹會產(chǎn)生一些覆蓋文本的黑云，這是您嘗試繪制一棵大樹所期望的典型結(jié)果。但是，pp() 在繪制樹并僅使用默認設(shè)置顯示其結(jié)構(gòu)方面做得非常好。并且，使用指示 pr() 縮寫變量名稱的參數(shù)使繪圖更具可讀性。

接下來的幾行代碼展示了 pp() 的交互式修剪功能。分配對象?new.tree.1 的行?產(chǎn)生一個“實時”樹圖。使用鼠標修剪樹，點擊“退出”并重新繪制，您將得到一個相當不錯的樹頂部繪圖。這是將樹頂部的清晰圖片獲取到報告中的巧妙方法。

修剪后繪制更美觀的樹?

tree.2，一個更合理的樹，是僅僅接受rpart的結(jié)果。首先，使用默認設(shè)置使用 pp() 繪制這棵樹，然后在下一行中，繪制該樹。

此函數(shù)只是 pp() 函數(shù)的包裝，但易于用于繪制分類樹，并且是美學如何促進交流的一個很好的例子。每個節(jié)點框顯示分類、該節(jié)點上每個類的概率（即以該節(jié)點為條件的類的概率）以及該節(jié)點使用的觀察百分比。請注意虛線的使用如何傾向于強調(diào)節(jié)點而不是樹本身，以及底部的葉子排列如何幫助查看者猜測節(jié)點框中的百分比表示到達每個節(jié)點的觀察百分比節(jié)點。（底行增加到 100%）。

腳本的最后幾行使用函數(shù)構(gòu)造了一個樹，用于構(gòu)建具有大量數(shù)據(jù)集的分類和回歸樹模型。

最受歡迎的見解

1.從決策樹模型看員工為什么離職

2.R語言基于樹的方法：決策樹，隨機森林

3.python中使用scikit-learn和pandas決策樹

4.機器學習：在SAS中運行隨機森林數(shù)據(jù)分析報告

5.R語言用隨機森林和文本挖掘提高航空公司客戶滿意度

6.機器學習助推快時尚精準銷售時間序列

7.用機器學習識別不斷變化的股市狀況——隱馬爾可夫模型的應(yīng)用

8.python機器學習：推薦系統(tǒng)實現(xiàn)（以矩陣分解來協(xié)同過濾）

9.python中用pytorch機器學習分類預(yù)測銀行客戶流失