rpart 不在 R 中创建决策树，SVM 有效

Question

我正在尝试为分类创建决策树，但没有创建。相同的数据使用 SVM（训练 == 测试数据）以 0.85 的精度执行，“播放”是目标...

知道我做错了什么吗？这是数据和代码： https://gist.github.com/romeokienzler/c471819cbf156a69f73daf49f8c700c6

外观、温度、湿度、风、玩

晴，热，高，假，无

阳光明媚，炎热，高，真实，不

阴，热，高，假，是

下雨，温和，高，假，是的

下雨，凉爽，正常，假，是的

下雨，凉爽，正常，真实，不

阴，凉爽，正常，真实，是的

晴天，温和，高，假，无

晴天，凉爽，正常，假，是的

下雨，温和，正常，假，是的

晴天，温和，正常，真实，是的

阴，温和，高，真实，是的

阴，热，正常，假，是

下雨，温和，高，真实，不

为了使用 SVM，我对数据进行了编码： https://gist.github.com/romeokienzler/9bfce4182eda3d7662315621462c9cc6

外观、温度、湿度、风、玩

1,1,2,假，假

1,1,2,真,假

2,1,2,FALSE,TRUE

3,2,2,假，真

3,3,1,FALSE,TRUE

3,3,1,真,假

2,3,1,真,真

1,2,2,假，假

1,3,1,FALSE,TRUE

3,2,1,假，真

1,2,1,真,真

2,2,2,真,真

2,1,1,FALSE,TRUE

3,2,2,真,假

这是 SVM 案例：

library(e1071)
df= read.csv("5.tennis_encoded.csv")
attach(df)
x <- subset(df, select=-play)
y <- play
detach(df)
model = svm(x,y,type = "C")
pred = predict(model,x)
truthVector = pred == y
good = length(truthVector[truthVector==TRUE])
bad = length(truthVector[truthVector==FALSE])
good/(good+bad)

[1] 0.8571429

还有这个用于决策树

df= read.csv("5.tennis_encoded.csv")
library(rpart)
model = rpart(play ~ .,method = "class", data=df)
print(model)

1) 根 14 5 真 (0.3571429 0.6428571) *

所以我基本上得到一棵只有根和 0.64% 的游戏概率的树 == 是的

任何想法我做错了什么？

Answer 1

很可能您传递给算法的数据太少而无法拆分。

查看 rpart.control 函数了解更多详情

rpart.control(minsplit = 20, minbucket = round(minsplit/3), cp = 0.01, 
              maxcompete = 4, maxsurrogate = 5, usesurrogate = 2, xval = 10,
              surrogatestyle = 0, maxdepth = 30, ...)

如您所见，最小拆分大小为 20。

如果你

model = rpart(play ~ .,method = "class", data=df, control= rpart.control(minsplit=2))

你应该得到更多的分裂