【转】决策树之三国争霸

原文出处：http://xccds1977.blogspot.com/2012/11/blog-post_28.html

 

 

决策树是一种简洁实用的数据挖掘方法 。 在R中通常可以用rpart包和party包来实现 两种算法的决策树  。 最近著名的C4.5决策树算法的升级版本 C5.0  已经可以在官网下载到。对于这三种决策树算法，本文来做一个预测效果的简单对比 。

对比用的数据集是C50包中自带的churn数据，它是用来预测顾客流失的数据集，其中样本量为3333个，变量数为20个 。 为不平衡数据，没有缺失值存在 。 对比基本步骤是用10重交叉检验，将数据随机分为10份，用9份训练决策树，用1份来检验结果。循环后求出10个预测准确度的均值 。 然后在外面再套一个100次大循环，产生三个决策树算法各100个准确率。最后绘制为提琴图，从图中可以观察到C5 . 0的表现最好，而party次之，rpart的效果最差。在本例实验中最大的差距虽然不过0.02，但如果放在kaggle的数据挖掘比赛中，就相当于是一百位名次的差距了。

生成代码如下：

library (C50)
library (rpart )
library (party )
library (reshape2)
library (ggplot2 )
data (churn)
rate.c <- rate.r <-rate.p<-  rep (0,100)
for (j in 1:100) {
    num <- sample (1:10,nrow (churnTrain),replace =T)
    res.c <- res.r  <-res.p<- array (0,dim =c (2,2,10))
    for ( i in 1:10) {
        train <- churnTrain[num!=i, ]
        test <- churnTrain[num==i, ]
 
        model.c <- C5.0(churn~.,data =train)
        pre <- predict (model.c,test[,-20])
        res.c[,,i] <- as.matrix (table (pre,test[ ,20]))
 
        model.p <-ctree(churn~.,data =train)
        pre <- predict (model.p,test[,-20])
        res.p[,,i] <- as.matrix (table (pre,test[ ,20]))
 
        model.r <- rpart (churn~.,data =train)
        pre <- predict (model.r,test[,-20],type='class')
        res.r[,,i] <- as.matrix (table (pre,test[ ,20]))
    }
    table.c <- apply (res.c,MARGIN=c (1,2),sum )
    rate.c[j] <- sum (diag (table.c))/sum(table.c)
 
    table.p <- apply (res.p,MARGIN=c (1,2),sum )
    rate.p[j] <- sum (diag (table.p))/sum(table.p)
 
    table.r <- apply (res.r,MARGIN=c (1,2),sum )
    rate.r[j] <- sum (diag (table.r))/sum(table.r)
}
data  <- data.frame (c50=rate.c,rpart =rate.r,party =rate.p)
data.melt <- melt(data )
 
p <- ggplot (data.melt,aes(variable,value,color=variable))
p + geom_point(position='jitter')+
    geom_violin(alpha=0.4)

C5.0算法相对于C4 . 5有如下几点改进：

• 速度显著加快
• 内存使用减少
• 生成树模型更为简洁
• 支持boosting方法
• 支持加权和成本矩阵
• 支持变量筛选

此外C50包中也有丰富的设置参数：包括设置boost次数 、 全局剪枝和模糊阀值设置 。 有兴趣的朋友不妨一试。