R语言使用party包中的cforest函数基于条件推理决策树构建随机森林、使用varimp函数查看特征重要度、使用table函数计算混淆矩阵评估分类模型性能

R语言使用party包中的cforest函数基于条件推理决策树构建随机森林、使用varimp函数查看特征重要度、使用table函数计算混淆矩阵评估分类模型性能

目录

R语言使用party包中的cforest函数基于条件推理决策树（Conditional inference trees）构建随机森林、使用varimp函数查看特征重要度、使用table函数计算混淆矩阵评估分类模型性能

 #分类模型（classification）

#R语言加载UCI乳腺癌数据用于分类模型构建（uci dataset for classification)、并进行数据划分、数据划分为训练集和验证集（training sample (70%) and a validation sample (30%)）

#R语言构建决策树模型的算法步骤、流程（decision tree algorithm tree build process or steps）

#R语言使用rpart包构建决策树模型、使用prune函数进行树的剪枝、使用10折交叉验证选择预测误差最低的树来预防过拟合、plotcp可视化决策树复杂度、rpart.plot包可视化最终决策树、使用table函数计算混淆矩阵评估分类模型性能

#R语言使用rpart包构建决策树模型、为了选择合适的树大小(复杂度)检查决策树对象的cptable内容（树的大小由分裂次数定义、预测误差）、使用plotcp函数可视化决策树复杂度参数与交叉验证错误的关系、选择合适的树大小（复杂度）

#R语言使用rpart包构建决策树模型、使用prune函数按照指定复杂度对决策树剪枝、使用rpart.plot包中的prp函数可视化训练、剪枝好的决策树、type参数、extra参数、fallen.leaves参数控制决策树精细化显示

 #R语言使用party包中的ctree函数构建条件推理决策树的流程和步骤（Conditional inference trees）、条件推理决策树是传统决策树的一个重要变体、条件推理树的分裂是基于显著性测试而不是熵/纯度/同质性度量来选择分裂

 #R语言使用party包中的ctree函数构建条件推理决策树（Conditional inference trees）、使用plot函数可视化训练好的条件推理决策树、条件推理决策树的叶子节点的阴影区域表示的是阳性样本的比例

 #R语言使用randomForest包中的randomForest函数构建随机森林模型的步骤和流程（Random forests）、随机森林算法包括抽样样本（观察）和变量来创建大量的决策树（多个树，构成了森林，而且通过样本抽样和变量抽样，让多个树尽量不同）

 #R语言使用randomForest包中的randomForest函数构建随机森林模型（Random forests）、使用importance函数查看特征重要度、使用table函数计算混淆矩阵评估分类模型性能、包外错误估计OOB（out-of-bag error estimate）

 #R语言使用party包中的cforest函数基于条件推理决策树（Conditional inference trees）构建随机森林、使用varimp函数查看特征重要度、使用table函数计算混淆矩阵评估分类模型性能

---

 #分类模型（classification）

“机器学习”是一门计算机科学学科，指的是机器利用数据进行学习并完成通常需要人类智能的任务的能力。这项技术正在迅速发展:根据Gartner的数据和分析服务，到2022年，超过一半的数据和分析服务将由机器而非人类来完成，比现在