采用决策树解决多分类问题的代码与解决二分类问题的代码类似，也是构建初始树、后剪枝、输出变量重要性、树形图、预测几个步骤。差别在于，决策树预测多分类问题的具体分类是直接采用predict函数，将type设置为class即可，这样得到的就是各个样本的具体预测类别。当然也可以将type设置为prob，从而得到预测概率，该预测概率可以用于后续计算多分类的AUC。
关于多分类问题的ROC，可以将结果拆分为多个一vs.其他的形式，从而得到多条经过转化的二分类的ROC曲线，这些曲线可以采用叠加的方式放到一张图上。
# 构建模型
set.seed(42) # 固定交叉验证结果
fit_dt_clsm <- rpart(
form_clsm,
data = traindata,
method = "class", # 分类模型
parms = list(split = "information"), # 分裂规则
control = rpart.control(cp = 0.005) # 复杂度参数
)
# 原始分类树
fit_dt_clsm
# 复杂度相关数据
printcp(fit_dt_clsm)
plotcp(fit_dt_clsm)
# 后剪枝
fit_dt_clsm_pruned <- prune(fit_dt_clsm, cp = 0.01)
print(fit_dt_clsm_pruned)
# 变量重要性
fit_dt_clsm_pruned$variable.importance
barplot(fit_dt_clsm_pruned$variable.importance)
# 变量重要性图示
varimpdata <- data.frame(importance = fit_dt_clsm_pruned$variable.importance)
ggplot(varimpdata,
aes(x 标签：分类,机器,预测,代码,ROC,type,决策树 来源： https://blog.csdn.net/Mrrunsen/article/details/123195442
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。