r语言 c50参数,R语言 c50包分类 tree size 为0

想对众筹网的项目吸引力用决策树进行分析

看哪个行业的项目吸引力更大，筹款金额和支持数更多，结果决策树显示tree size 为0；

information_model

Call:

C5.0.default(x = information_train[-5], y = information_train$倍数分类)

Classification Tree

Number of samples: 3567

Number of predictors: 12

Tree size: 0

Non-standard options: attempt to group attributes

代码如下：

#1数据描述及准备

# 将数据下载存储的物理位置设为R工作环境

setwd("D:\\凌筱玥\\研究生\\数据挖掘\\第二次作业")

# 导入数据文件

information

information$已筹款分类

information$目标筹资分类

information$倍数分类

information$支持数分类

# str函数查看数据变量属性

str(information)

# 利用table函数查阅因子型变量行业的频数分布

table(information$行业)

# 利用summary函数描述数值型变量情况

summary(information$已筹款)

# 倍数分类变量是哑变量，1表示倍数超过1.5倍，2表示倍数低于1.5倍

table(information$倍数分类)

###########################################

###########################################

#2数据准备-创建随机的训练和测试数据

#这里我们随机的选取90%的数据作为训练数据，剩余部分为测试数据。

# 思路是：对数据进行随机排序，然后对排序后的数据按90%部分分割

set.seed(12345)########()里面的数字代表随机数字串的符号，若符号相同则随机数一致

information_rand

# 比较随机排序后的已筹款分类变量

head(information$已筹款分类)  #随机前

head(information_rand$已筹款分类)#随机后

# 创建训练和测试集

information_train

information_test

# 检查训练和测试集中的CREDIT的比例情况

prop.table(table(information_train$倍数分类))

prop.table(table(information_test$倍数分类))

#3训练模型

#利用C50软件包调研C5.0算法进行模型训练工作。

# install.packages('C50')

library(C50)

Classification Tree

Number of samples: 3567

Number of predictors: 12