R parsnip decision_tree 决策树

decision_tree() 将模型定义为一组创建基于树的结构的 if/then 语句。该函数可以拟合分类、回归和审查回归模型。

拟合该模型的方法有多种，通过设置模型引擎来选择估计方法。下面列出了该模型的引擎特定页面。

rpart¹²
C5.0
partykit²
spark

1 默认引擎。 ² 需要一个防风草扩展包来进行审查回归、分类和回归。

有关如何操作的更多信息防风草用于建模的是https://www.tidymodels.org/.

用法

decision_tree(
  mode = "unknown",
  engine = "rpart",
  cost_complexity = NULL,
  tree_depth = NULL,
  min_n = NULL
)

参数

mode: 预测结果模式的单个字符串。此模型的可能值为"unknown"、"regression" 或"classification"。
engine: 指定用于拟合的计算引擎的单个字符串。
cost_complexity: CART 模型(仅限特定引擎)使用的成本/复杂性参数(也称为 Cp )的正数。
tree_depth: 树的最大深度的整数。
min_n: 节点中进一步拆分节点所需的最小数据点数量的整数。

细节

此函数仅定义正在拟合的模型类型。一旦指定了引擎，也就定义了拟合模型的方法。有关设置引擎的更多信息，包括如何设置引擎参数，请参阅set_engine()。

在 fit() 函数与数据一起使用之前，模型不会经过训练或拟合。

此函数中除 mode 和 engine 之外的每个参数都被捕获为 quosures 。要以编程方式传递值，请使用injection operator，如下所示：

value <- 1
decision_tree(argument = !!value)

参考

https://www.tidymodels.org, Tidy Modeling with R, searchable table of parsnip models

也可以看看

fit() , set_engine() , update() , rpart engine details , C5.0 engine details , partykit engine details , spark engine details

例子

show_engines("decision_tree")
#> # A tibble: 5 × 2
#>   engine mode          
#>   <chr>  <chr>         
#> 1 rpart  classification
#> 2 rpart  regression    
#> 3 C5.0   classification
#> 4 spark  classification
#> 5 spark  regression    

decision_tree(mode = "classification", tree_depth = 5)
#> Decision Tree Model Specification (classification)
#> 
#> Main Arguments:
#>   tree_depth = 5
#> 
#> Computational engine: rpart 
#>

源代码：R/decision_tree.R

相关用法

注：本文由纯净天空筛选整理自Max Kuhn等大神的英文原创作品 Decision trees。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。