R - 如何使用rpart？

Question

我无法使用rpart获得太多信息。

我有一个数据框：

a = structure(list(V1 = c(2, 3, 4, 2, 3, 2, 3, 3, 5, 3), V2 = c(15, 
26, 94, 15, 26, 33, 33, 33, 5, 15), V3 = structure(c(1L, 1L, 
1L, 1L, 1L, 1L, 1L, 2L, 2L, 2L), .Label = c("f", "t"), class = "factor")), .Names = c("V1", 
"V2", "V3"), row.names = c(NA, -10L), class = "data.frame")

> a
   V1 V2 V3
1   2 15  f
2   3 26  f
3   4 94  f
4   2 15  f
5   3 26  f
6   2 33  f
7   3 33  f
8   3 33  t
9   5  5  t
10  3 15  t

> rpart(V3 ~ ., data=a)
n= 10 

node), split, n, loss, yval, (yprob)
      * denotes terminal node

1) root 10 3 f (0.7000000 0.3000000) *

为什么rpart没有提供更多信息，例如(V1 == 2)有三个案例都导致响应为"f" (第1,4,6行)的事实？

本质上，我想找出：

- rpart在给出上述输出之前运行了哪些测试？ - rpart是否包括了一个测试(V2 == 2) -> 响应统计数据，如果没有，我如何使其包括这样的测试和结果？

我已经阅读了rpart vignette，但是没有找到答案。

- Timothée HENRY

Answer 1

您的问题的简短回答可能是这样的：

题目的意思是什么？

rpart(V3 ~ V1 + V2,data = a,control = rpart.control(minsplit = 5))

因此，您可能需要花些时间阅读文档，特别是注重rpart.control。但更广泛地说，请注意rpart仍然没有基于V2 == 2的标准进行分割测试，仅因为该变量是连续的。所有连续变量上的拆分都将是简单的二进制不等式拆分。只有因子才会根据子集级别的选择进行拆分。

您链接的vignette包含了对函数选择所做的精确讨论（并引用了进一步的讨论），因此我不确定如何回应您的说法，即您已经阅读了它但没有找到答案。

- joran

---

谢谢。有没有办法获取rpart测试的列表？ - Timothée HENRY

通常情况下，这是因为它（指某个测试）测试的基本上是全部内容。对于连续变量，会评估所有可能的分割点；对于分类变量，使用了一种技巧，可以证明等同于检查所有可能的组合（在0-1结果或回归结果的情况下；对于多元结果，只能逐个检查每个分割）。《统计学习基础》是一个非常好的参考书（PDF 可以免费在线获取）。 - joran

@joran：如果可能的话，你能否看一下我关于rpart的问题吗？https://stackoverflow.com/questions/65679523/r-obtaining-rules-from-a-function 谢谢！ - stats_noob

Answer 2

如果您从?rpart开始，并按照Value下的信息操作，您将进入?rpart.object，其中会告诉您：

frame：数据框，每个节点对应一行。frame的行名按照节点深度进行二进制排序，并包含（唯一的）节点编号。frame的列包括var，一个因子，给出在每个节点处分裂使用的变量名称（叶节点用级别“”表示），n，达到节点的观测数，wt，观测到该节点的案例权重总和，dev，节点的偏差，yval，节点响应的拟合值，以及splits，每个节点左右分裂标签的两列矩阵。frame中还包括complexity，此分裂将崩溃的复杂性参数，ncompete，记录的竞争分裂数量，以及nsurrogate，记录的代理分裂数量。

可能存在的额外响应信息在yval2中，其中包含节点事件数（泊松树），或包含拟合类、每个节点的类计数、类概率和“节点概率”的矩阵（分类树）。

where：一个整数向量，与根节点中观测数相同长度，包含每个观测落入的叶节点的frame行号。

call：调用生成对象的图像，但参数都有名称，并且实际公式包括在公式参数中。要重新评估调用，请使用update(tree)。

terms：c（“terms”，“formula”）类对象（请参见terms.object），总结公式。由各种方法使用，但通常不直接与用户相关。

splits：描述分裂的数值矩阵：仅在存在时出现。行标签是分裂变量的名称，列是count，左侧或右侧发送的观测次数（权重为正且不缺失的观测），ncat，变量的类别或级别数（连续变量为+/-1），improve，此分裂给出的偏差改进，或对于代理，代理与主要代理的一致性，以及index，数字分裂点。最后一列adj给出了代理分裂的调整一致性。对于因子，索引列包含csplit矩阵的行号。对于连续变量，ncat的符号确定将子集x<cutpoint或x>cutpoint发送到左侧。

csplit：整数矩阵。（仅当至少有一个分裂变量是因子或有序因子时才存在。）每个这样的分裂都有一行，并且列数是因子中最大级别数。哪一行由分裂矩阵的索引列给出。列记录如果该因子级别向左，则为1；如果向右，则为3；如果在树的此节点上不存在该级别（或未定义该因子），则为2。

method：字符字符串，用于生长树的方法。其中之一是“class”，“exp”，“poisson”，“anova”或“user”（如果提供了分裂函数）。

cptable：基于复杂性参数的最优修剪信息的矩阵。

variable.importance：命名数字向量，给出每个变量的重要性。（仅当存在任何分裂时才存在。）当由summary.rpart打印时，这些被重新缩放以总和为100。

numresp：响应数的整数数量；对于因子响应

- Carl Witthoft