R语言实现决策树算法（附完整源码）
R语言实现决策树算法（附完整源码）
·
R语言实现决策树算法
我来为您提供一个使用 R 语言实现决策树算法的完整源码示例。决策树是一种常用的监督学习算法,可用于分类和回归任务。下面是一个示例代码:
# 加载所需的包
library(rpart)
library(rpart.plot)
# 加载数据集
data(iris)
# 划分训练集和测试集
set.seed(123)
train_index <- sample(1:nrow(iris), 0.7 * nrow(iris))
train_data <- iris[train_index, ]
test_data <- iris[-train_index, ]
# 训练决策树模型
model <- rpart(Species ~ ., data = train_data, method = "class")
# 在测试集上进行预测
pred <- predict(model, newdata = test_data, type = "class")
# 评估模型性能
library(caret)
confusionMatrix(pred, test_data$Species)
下面是代码的解释:
-
首先,我们加载了两个必要的 R 包:
rpart用于构建决策树模型,rpart.plot用于可视化决策树。 -
我们使用
data()函数加载了著名的 Iris 数据集,这个数据集包含了 4 个特征和 3 个类别。 -
为了评估模型的泛化性能,我们将数据集划分为训练集和测试集。使用
sample()函数随机选取 70% 的数据作为训练集,其余 30% 作为测试集。 -
接下来,我们使用
rpart()函数在训练集上训练一个决策树模型。method = "class"表示我们要进行分类任务。 -
然后,我们使用训练好的模型对测试集进行预测,得到预测结果
pred。 -
最后,我们使用
caret包中的confusionMatrix()函数计算模型在测试集上的混淆矩阵,以评估模型的性能。
这个示例展示了决策树算法的基本用法。在实际应用中,您可能需要根据具体问题进行更多的数据探索、特征工程和模型调优等工作。
该博文为原创文章，未经博主同意不得转载。本文章博客地址：https://cplusplus.blog.csdn.net/article/details/139050126
魔乐社区（Modelers.cn) 是一个中立、公益的人工智能社区，提供人工智能工具、模型、数据的托管、展示与应用协同服务，为人工智能开发及爱好者搭建开放的学习交流平台。社区通过理事会方式运作，由全产业链共同建设、共同运营、共同享有，推动国产AI生态繁荣发展。
更多推荐
11
0- 0
已为社区贡献3条内容
所有评论(0)