在模型构建部分，二分类模型与回归模型大致相似，主要在rpart函数中多了parms参数可以设置，其值是一个list，其中可以指定分裂规则，将其设定为gini则构建CART决策树，将其设定为information则构建ID3决策树；还可以指定损失函数的权重，这个在遇到训练集样本不平衡的情况时比较有用，具体可以看下帮助文档。
初始决策树构建好之后，后剪枝、输出变量重要性、树形图的操作均与回归部分类似。
得到最后的决策树二分类模型之后，先预测训练集样本的概率，然后计算ROC，绘制ROC曲线，并依据约登法则确定最佳概率分界点，然后依据预测概率和分界点即可得到预测类别，最后实际类别和预测类别比较即可得到混淆矩阵。后续用于测试集可以得到预测概率和预测类别。
关于依据约登法则得到最佳概率分界点的步骤，可以跳过，即直接用0.5作为分界点；也可以用单独的验证集来确定。实际操作中，各种都有，大家自行把握。
# 构建模型
set.seed(42) # 固定交叉验证结果
fit_dt_cls <- rpart(
form_cls,
data = traindata,
method = "class", # 分类模型
parms = list(split = "gini"), # 分裂规则
control = rpart.control(cp = 0.001) # 复杂度参数
)
# 原始分类树
fit_dt_cls
# 复杂度相关数据
printcp(fit_dt_cls)
plotcp(fit_dt_cls, upper = "splits")
# 后剪枝
fit_dt_cls_pruned <- prune(标签：分界点,概率,机器,预测,代码,构建,模型,决策树 来源： https://blog.csdn.net/Mrrunsen/article/details/123195439
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。