决策树分析

使用分类树的判别
（目标变量是分类变量的判别问题）
首先通过data()函数读入数据，并通过str()函数确认其结构。

> data(Titanic)
> str(Titanic)
> Titanic[,1,2,]
\\表示第2个变量显示时为第1水平，第3个变量显示时为第2水平

然后绘制马赛克图，将交叉统计结果可视化。

> mosaicplot(Titanic[,1,2,],color=T)

可以使用rpart程序包进行决策树分析。由于该程序包以数据框类型作为对象，因此我们使用epitools程序包的expand.table()函数把刚才统计的泰坦尼克号数据转换成数据框，然后再进行分析。

> install.packages("epitools")
> library(epitools)
> Titanic.df <- expand.table(Titanic)
> library(rpart)
> Titanic.tree <- rpart(Survived~.,data=Titanic.df,
+		method="class")
\\rpart中的第1个参数是formula
> summary(Titanic.tree)
\\记录条数（n），各分割数（nsplit）所对应的复杂性参数(CP)，变量的显著性，其后是各个节点的期望损失，分割后的记录条数，以及用下一个变量来分割后的改善等。

我们用partykit程序包进行可视化。不过，需要提前通过as.party()函数把刚才的结果转换成party形式。

> install.package("partykit")
> library(partykit)
> plot(as.party(Titanic.tree))
\\另外通过plotcp()函数来画图：
> plotcp(Titanic.tree)
\\关于数值的细节，可以从summary()函数的结果中读取：
> Titanic.tree2 <- rpart(Survived~.,data=Titanic.df,
+						method="class",cp=0.083)
> summary(Titanic.tree2)
> plot(as.party(Titanic.tree2))

使用回归树的预测。
（目标变量为数值变量时的预测问题）
首先读入数据：

> library(ggplot2)
> data(diamonds)

由于数据量很大，因此要通过subset()函数缩小范围后查看数据。当书写成x %in% c(a,b,c)的形式时，如果x是a、b、c中的一个，则返回TRUE,则返回FALSE。

> diamonds2 <- subset(diamonds,subset=
+						carat >= 1.5 & carat < 2 &
+						clarity %in% c("I1","SI2"))
>boxplot(diamonds2$price)
\\使用箱型图或直方图来观察分布

接下来，使用rpart()函数，从carat,cut,color以及clarity这4个方面来解释price。由于目标变量是数值变量，因此是把method参数指定为anova。

> str(diamonds)
> diamonds.tree <- rpart(formula=price~carat+cut+color+clarity,
							data=diamonds,method="anova")
\\然后绘制结果数据的树结构
> plot(as.party(diamonds.tree))

这里和刚才的区别就是，由于解释变量包含了数值变量carat，因此将该变量作为基准值来分类；此外，由于目标变量为数值变量，因此和分类树中使用带状图显示分类变量的比例不同，这里使用箱型图来显示数值变量的分布。
最后，执行预测。把原数据前5万条作为训练集，剩下的作为测试数据。根据计算结果，用predict()函数预测测试数据。这里使用head()函数只显示前几行。

> train <- diamonds[1:50000,]
> test <- diamonds[50001:nrow(diamonds),]
> diamonds.tree2 <- rpart(
+		   formula=price~carat+cut+color+clarity,
+	       data=train,method="anova",cp=0.078)
> p <-predict(diamonds.tree2,newdata=test)
> head(p)