绘制决策树分类器

Question

在我的dataset 中，我有一个二进制Target（0 或1）变量和8 个特征：nchar、rtc、Tmean、week_day、hour、ntags、 nlinks 和 nex。 week_day 是一个因素，而其他因素是数字。我正在尝试构建一个决策树分类器：

library(caTools)
set.seed(123)
split = sample.split(dataset$Target, SplitRatio = 0.75)
training_set = subset(dataset, split == TRUE)
test_set = subset(dataset, split == FALSE)

# Feature Scaling
training_set[-c(2,4)] = scale(training_set[-c(2,4)])
test_set[-c(2,4)] = scale(test_set[-c(2,4)])

# Fitting Decision Tree Classification to the Training set
# install.packages('rpart')
library(rpart)
classifier = rpart(formula = Target ~ .,
                   data = training_set)

# Predicting the Test set results
y_pred = predict(classifier, newdata = test_set[-2], type = 'class')

# Making the Confusion Matrix
cm = table(test_set[, 2], y_pred)

plot(classifier, uniform=TRUE,margin=0.2)

绘图结果如下：

我有三个我不知道答案的问题：

1. 为什么图中缺少一些变量？ （例如rtc）
2. week_day 中的aefg 是什么意思？
3. 有没有办法描述 不同的类（Target 变量的 0 对 1）？例如： 在Target=1 我们有所有具有nchar>0.19 的行和 ntags>1.9等

Answer 1

这里解释了一些你可以在包rpart中获取的数据：

library(rpart)   # for decision tree
library(rattle)  # to do a nicer plot

 progstat <- factor(stagec$pgstat, levels = 0:1, labels = c("No", "Prog"))
 cfit     <- rpart(progstat ~  age + eet + g2 + grade + gleason + ploidy,
                   data = stagec,
                   method ='class')

问题 1：为什么有些变量不存在？
因为这些变量对您的模型没有用，或者更好地说，您已经对模型说不要在参数cp（默认值 = 0.01）下获取变量。
查看the doc 的cp 参数：

(...)本质上，用户通知程序任何不 通过 cp 改进拟合可能会被交叉验证剪除， 并且因此该程序不需要追求它。

我认为文档在技术上比我解释得更好，如果我必须用简单的话来告诉它，cp 参数设置了节点“实用程序”的基线。
如果节点由一个无用的变量，它被删除了，所以无用的（阅读：变量在模型中没有进一步的信息）变量不会出现。尝试在模型中设置参数，您会看到它是如何变化的。在我的情况下，eet 变量已失效。
发送这个：

 summary(cfit)
Call:
rpart(formula = progstat ~ age + eet + g2 + grade + gleason + 
    ploidy, data = stagec, method = "class")
  n= 146 

          CP nsplit rel error    xerror      xstd
1 0.10493827      0 1.0000000 1.0000000 0.1080241
2 0.05555556      3 0.6851852 1.0555556 0.1091597
3 0.02777778      4 0.6296296 0.9629630 0.1071508
4 0.01851852      6 0.5740741 0.9629630 0.1071508
5 0.01000000      7 0.5555556 0.9814815 0.1075992

Variable importance
     g2   grade gleason  ploidy     age     eet 
     30      28      20      13       7       2 

(... it continues...)

你可以看到eet是最不重要的。

问题 2：aefg 中的 week_day 是什么意思？
这意味着拆分是由左侧的一些week_day 和右侧的一些进行的。它应该是一个分类变量。
尝试使用这个，而不是经典情节：

fancyRpartPlot(cfit, caption = NULL)

你可以看到一个倍体和四倍体被送到左边，另一个在右边。来自here：

(...)树的排列使得“更严重”的节点去 对了

问题 3：有没有办法描述不同的类（目标变量为 0 对 1）？
在这种情况下，变量是progstat，但您可以将解释传输到您的变量。
这就是我通常在图中阅读这些结果的方式：

查看第一个节点（最重要的）：它告诉我们 63% 是“否”，37% 是“prog”（读为是）。该节点覆盖了 100% 的人口。

第二个最重要的节点是2，取入的变量是grade

如果你从左边走，你会占据 42% 的人口。该人群的标签是“否”，但是，85% 的人群是真正的“否”，其他人被错误标记为“否”。

TL;DR
这意味着“总体人口分为 No 和 Prog，分别为 63% 和 27%。
如果变量 grade 小于 2.5，则模型表明在我们的数据中，42% 的人口具有该值grade，在这 42% 中，85% 的结果是 No。可能是 grade 和因变量“no”的结果是结合的。
通过这种方式，您可以检查绘图中的所有节点，也可以使用summary() 查看最重要的模式。

在你的情节中，你可以说“如果ntags > 1.952 和nchar