R parsnip decision_tree 決策樹

decision_tree() 將模型定義為一組創建基於樹的結構的 if/then 語句。該函數可以擬合分類、回歸和審查回歸模型。

擬合該模型的方法有多種，通過設置模型引擎來選擇估計方法。下麵列出了該模型的引擎特定頁麵。

rpart¹²
C5.0
partykit²
spark

1 默認引擎。 ² 需要一個防風草擴展包來進行審查回歸、分類和回歸。

有關如何操作的更多信息防風草用於建模的是https://www.tidymodels.org/.

用法

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

參數

mode: 預測結果模式的單個字符串。此模型的可能值為"unknown"、"regression" 或"classification"。
engine: 指定用於擬合的計算引擎的單個字符串。
cost_complexity: CART 模型(僅限特定引擎)使用的成本/複雜性參數(也稱為 Cp )的正數。
tree_depth: 樹的最大深度的整數。
min_n: 節點中進一步拆分節點所需的最小數據點數量的整數。

細節

此函數僅定義正在擬合的模型類型。一旦指定了引擎，也就定義了擬合模型的方法。有關設置引擎的更多信息，包括如何設置引擎參數，請參閱set_engine()。

在 fit() 函數與數據一起使用之前，模型不會經過訓練或擬合。

此函數中除 mode 和 engine 之外的每個參數都被捕獲為 quosures 。要以編程方式傳遞值，請使用injection operator，如下所示：

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

參考

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 
#>

源代碼：R/decision_tree.R

相關用法

注：本文由純淨天空篩選整理自Max Kuhn等大神的英文原創作品 Decision trees。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。