R语言回归决策树

决策树是机器学习中的一种算法，它使用决策作为特征，以树状结构的形式表示结果。它是一种常用的工具，用于直观地表示算法做出的决定。决策树同时使用分类和回归。回归树用于因变量是连续的时候，而分类树用于因变量是分类的时候。例如，确定/预测性别是分类的一个例子，而根据发动机功率预测汽车的里程数是回归的一个例子。在这篇文章中，让我们讨论在R编程中使用回归的决策树的语法和实现。

在R中的实现

在R编程中， rpart() 函数存在于 rpart 包中。使用 rpart() 函数，可以在R中建立决策树。

语法：

rpart(formula, data, method)

参数：

formula： 表示拟合模型所依据的公式

data： 表示数据框架

method： 表示创建决策树的方法。”anova “用于回归，”class “作为分类的方法。

例1：

在这个例子中，让我们使用回归决策树来预测萼片的宽度。

第1步： 安装所需的软件包

# Install the package
install.packages("rpart")

第2步： 加载软件包

# Load the package
library(rpart)

第3步： 为回归的决策树拟合模型

# Create decision tree using regression
fit <- rpart(Sepal.Width ~ Sepal.Length + 
             Petal.Length + Petal.Width + Species, 
             method = "anova", data = iris)

第4步： 绘制树形图

# Output to be present as PNG file
png(file = "decTreeGFG.png", width = 600, 
                            height = 600)
  
# Plot
plot(fit, uniform = TRUE,
          main = "Sepal Width Decision 
                 Tree using Regression")
text(fit, use.n = TRUE, cex = .7)
  
# Saving the file
dev.off()

第5步： 打印决策树模型

# Print model
print(fit)

第6步： 预测萼片宽度

# Create test data
df  <- data.frame (Species = 'versicolor', 
                   Sepal.Length = 5.1,
                   Petal.Length = 4.5,
                   Petal.Width = 1.4)
  
# Predicting sepal width
# using testing data and model
# method anova is used for regression
cat("Predicted value:\n")
predict(fit, df, method = "anova")

输出

R编程中的回归决策树

n= 150 

node), split, n, deviance, yval
      * denotes terminal node

 1) root 150 28.3069300 3.057333  
   2) Species=versicolor, virginica 100 10.9616000 2.872000  
     4) Petal.Length=4.05 84  7.3480950 2.945238  
      10) Petal.Width< 1.95 55  3.4920000 2.860000  
        20) Sepal.Length=6.35 19  0.6242105 2.963158 *
      11) Petal.Width>=1.95 29  2.6986210 3.106897  
        22) Petal.Length=5.25 22  2.0277270 3.168182 *
   3) Species=setosa 50  7.0408000 3.428000  
     6) Sepal.Length=5.05 22  1.7859090 3.713636 *

Predicted value:
       1 
2.805556

例2：

在这个例子中，让我们用决策树来预测mpg值的回归。