R语言机器学习系列-决策树多分类代码
2022/3/1 6:24:38
本文主要是介绍R语言机器学习系列-决策树多分类代码,对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!
采用决策树解决多分类问题的代码与解决二分类问题的代码类似,也是构建初始树、后剪枝、输出变量重要性、树形图、预测几个步骤。差别在于,决策树预测多分类问题的具体分类是直接采用predict函数,将type设置为class即可,这样得到的就是各个样本的具体预测类别。当然也可以将type设置为prob,从而得到预测概率,该预测概率可以用于后续计算多分类的AUC。
关于多分类问题的ROC,可以将结果拆分为多个一vs.其他的形式,从而得到多条经过转化的二分类的ROC曲线,这些曲线可以采用叠加的方式放到一张图上。
# 构建模型 set.seed(42) # 固定交叉验证结果 fit_dt_clsm <- rpart( form_clsm, data = traindata, method = "class", # 分类模型 parms = list(split = "information"), # 分裂规则 control = rpart.control(cp = 0.005) # 复杂度参数 ) # 原始分类树 fit_dt_clsm # 复杂度相关数据 printcp(fit_dt_clsm) plotcp(fit_dt_clsm) # 后剪枝 fit_dt_clsm_pruned <- prune(fit_dt_clsm, cp = 0.01) print(fit_dt_clsm_pruned) # 变量重要性 fit_dt_clsm_pruned$variable.importance barplot(fit_dt_clsm_pruned$variable.importance) # 变量重要性图示 varimpdata <- data.frame(importance = fit_dt_clsm_pruned$variable.importance) ggplot(varimpdata, aes(x
这篇关于R语言机器学习系列-决策树多分类代码的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!
- 2024-01-24手把手教你使用MDK仿真调试
- 2024-01-10基于“小数据”的机器学习
- 2024-01-08扩展卡尔曼滤波:提高机器学习性能的利器
- 2023-12-26各种二端口滤波器网络仿真遇到的问题
- 2023-12-14机器学习-搜索技术:从技术发展到应用实战的全面指南
- 2023-12-12机器学习 - 决策树:技术全解与案例实战
- 2023-12-05机器学习-学习率:从理论到实战,探索学习率的调整策略
- 2023-12-04解锁机器学习-梯度下降:从技术到实战的全面指南
- 2023-11-30回归算法全解析!一文读懂机器学习中的回归模型
- 2023-11-30机器学习 - 似然函数:概念、应用与代码实例