多分类决策树 r语言_R语言构造决策树

数据来源:决策树会用到基尼指数,信息增益等知识点,下面用R构建决策树:注:监督机器学习中会出现的问题:过拟合和欠拟合,偏差和方差为了限制过拟合,可以限制生长,修剪树枝其他分类器:KNN和随机森林*[下一版我们将用KNN和随机森林进行数据分类]1. #读取数据 2. >library(tree) 3. >data<-read.csv('data.csv') 4. #了解...
摘要由CSDN通过智能技术生成

962dbc490d35c170f1036a1b61648c1b.png

数据来源:

6d047d93440edfa7a38f0504cf79ebf0.png

决策树会用到基尼指数,信息增益等知识点,下面用R构建决策树:

注:

监督机器学习中会出现的问题:过拟合和欠拟合,偏差和方差

为了限制过拟合,可以限制生长,修剪树枝

其他分类器:KNN和随机森林

*[下一版我们将用KNN和随机森林进行数据分类]

1.	#读取数据  
2.	>library(tree)  
3.	>data<-read.csv('data.csv')  
4.	#了解数据特征  
5.	>View(data)  
6.	>str(data)  
7.	>table(data$是否预定)  
8.	#将数据分为测试集和训练集,70:30  
9.	> set.seed(2134)  
10.	> ind<-sample(2,nrow(data),replace=TRUE,prob=c(0.7,0.3))  
11.	> train_set<-data[ind==1,]  
12.	> test_set<-data[ind==2,]  
13.	> nrow(train_set)  
14.	[1] 27  
15.	> nrow(test_set)  
16.	[1] 11  
17.	#使用tree函数构建决策树模型  
18.	> #build decision tree model using tree()  
19.	> str(data)  
20.	'data.frame':   38 obs. of  6 variables:  
21.	 $ 性别      : Factor w/ 2 levels "男","女": 1 1 2 2 1 2 1 2 2 1 ...  
22.	 $ 年龄      : Factor w/ 3 levels "00后","80后",..: 3 1 3 3 3 2 3 3 3 3 ...  
23.	 $ 价格敏感  : Factor w/ 2 levels "否","是": 1 1 2 2 1 1 2 1 1 1 ...  
24.	 $ 是否连住  : Factor w/ 2 levels "否","是": 1 1 1 2 2 1 1 2 1 1 ... 
  • 1
    点赞
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值