R决策树

使用rpart包构建分类与回归决策树，学习剪枝与可视化 · 难度：入门 · +15XP

决策树：可解释的机器学习模型

决策树通过树形结构模拟决策过程，每个内部节点代表一个特征判断，叶子节点代表结果。

1. 构建分类树

library(rpart)
library(rpart.plot)
data(iris)
tree_model <- rpart(Species ~ ., data=iris, method='class')
rpart.plot(tree_model, main='鸢尾花分类树')

2. 查看树结构

print(tree_model)
summary(tree_model)

3. 预测与评估

pred <- predict(tree_model, iris, type='class')
confusion <- table(Predicted=pred, Actual=iris$Species)
confusion
accuracy <- sum(diag(confusion)) / sum(confusion)
accuracy

4. 剪枝防止过拟合

plotcp(tree_model)  # 查看复杂度参数
pruned_tree <- prune(tree_model, cp=0.02)
rpart.plot(pruned_tree)

5. 回归树示例

data(mtcars)
reg_tree <- rpart(mpg ~ ., data=mtcars, method='anova')
rpart.plot(reg_tree)

决策树关键参数：

练习提示：使用rpart对iris数据构建决策树，设置maxdepth=3并绘制。