本内容为【科研私家菜】R语言机器学习与临床预测模型系列课程
R小盐准备介绍R语言机器学习与预测模型的学习笔记
你想要的R语言学习资料都在这里， 快来收藏关注【科研私家菜】
[图片上传失败...(image-fd5bf4-1648433074208)]
01 什么是分类回归树CART？
分类回归树(Classification and Regression Tree, CART)是一种经典的决策树，可以用来处理涉及连续数据的分类或者回归任务。分类回归树 既可以用于创建分类树 (classification tree)，也可以用于创建回归树 (regression Tree)
回归树：用平方残差 (square of residual) 最小化准则来选择特征，叶子上是实数值
分类树：用基尼指数 (Gini index) 最小化准则来选择特征。叶子上是类别值
分类树与回归树的区别在样本的输出，如果样本输出是离散值，这是分类树；样本输出是连续值，这是回归树。分类树的输出是样本的类别，回归树的输出是一个实数。
分类模型：采用基尼系数的大小度量特征各个划分点的优劣。
回归模型：采用误差平方和度量。
CART算法步骤:
- 特征选择；
- 递归建立决策树；
- 决策树剪枝；
02 CART分类树算法
CART分类树算法使用基尼系数选择特征，基尼系数代表了模型的不纯度，基尼系数越小，不纯度越低，特征越好。这和信息增益（率）相反。
基尼系数
数据集D的纯度可用基尼值来度量
[图片上传失败...(image-199e9f-1648433074208)]
[图片上传失败...(image-47dc2d-1648433074208)]
[图片上传失败...(image-d9ac21-1648433074208)]
建立CART分类树步骤
[图片上传失败...(image-9dac9e-1648433074208)]
03 CART回归树算法
建立CART回归树步骤
[图片上传失败...(image-7a5d24-1648433074208)]
04 CART的R语言实现
####加载程序包
library(rpart) #classification and regression trees
library(partykit) #treeplots
library(MASS) #breast and pima indian data
library(ElemStatLearn) #prostate data
library(randomForest) #random forests
library(xgboost) #gradient boosting
library(caret) #tune hyper-parameters
###########CART first
data(prostate)
prostate$gleason <- ifelse(prostate$gleason == 6, 0, 1)
pros.train <- subset(prostate, train == TRUE)[, 1:9]
pros.test = subset(prostate, train == FALSE)[, 1:9]
set.seed(123)
tree.pros <- rpart(lpsa ~ ., data = pros.train)
tree.pros$cptable
plotcp(tree.pros)
cp <- min(tree.pros$cptable[5, ])
prune.tree.pros <- prune(tree.pros, cp = cp)
plot(as.party(tree.pros))
plot(as.party(prune.tree.pros))
party.pros.test <- predict(prune.tree.pros,
newdata = pros.test)
rpart.resid <- party.pros.test - pros.test$lpsa #calculate residual
mean(rpart.resid^2)
########CART breast cancer
data(biopsy)
biopsy <- biopsy[, -1]
names(biopsy) <- c("thick", "u.size", "u.shape", "adhsn", "s.size", "nucl", "chrom", "n.nuc", "mit", "class")
biopsy.v2 <- na.omit(biopsy)
set.seed(123) #random number generator
ind <- sample(2, nrow(biopsy.v2), replace = TRUE, prob = c(0.7, 0.3))
biop.train <- biopsy.v2[ind == 1, ] #the training data set
biop.test <- biopsy.v2[ind == 2, ] #the test data set
str(biop.test)
set.seed(123)
tree.biop <- rpart(class ~ ., data = biop.train)
tree.biop$cptable
cp <- min(tree.biop$cptable[3, ])
prune.tree.biop = prune(tree.biop, cp <- cp)
# plot(as.party(tree.biop))
plot(as.party(prune.tree.biop))
rparty.test <- predict(prune.tree.biop, newdata = biop.test,
type = "class")
table(rparty.test, biop.test$class)
(136+64)/209
[图片上传失败...(image-c9582e-1648433074208)]
[图片上传失败...(image-f5586c-1648433074208)]
[图片上传失败...(image-7e7f72-1648433074208)]
[图片上传失败...(image-557545-1648433074208)]
05 总结
数据集中会包含一些复杂的相互关系，使输入数据和目标变量之间存在非线性的关系。对于这种复杂关系的建模，一种可行的方式是使用树来对预测值分段，包括分段常数（回归树）和分段直线（模型树）。
CART算法可以用于构建二元树并处理离散型或连续型数据的切分。若使用不同的误差准则，就可以通过CART算法构建模型树和回归树。但是，该算法构建的树倾向于对数据过拟合，可采用剪枝的方法解决该问题。剪枝分为预剪枝（在树的构建过程中就就进行剪枝）和后剪枝（树构建完毕进行剪枝）。预剪枝更有效但需要用户定义一些参数。一般地，为了寻找最佳模型可以同时使用两种剪枝技术。
CART可以被看做决策树的升级版本，用于处理连续数据。
决策树的思想虽然比较粗暴，但是可解释很强、计算效率也比较高，应用非常广泛。如果配合剪枝、集成等策略，我们可以基于C4.5、CART这类模型构建出很多非常优秀的模型，比如随机森林、随机梯度上升树等等。
在构建决策树的过程中，我们评估了每一种特征，在对样本进行分组时的能力大小——这个分数可以作为特征工程中，特征选择的依据。因此，有时候我们也会使用决策树来做特征选择。
参考资料：
https://zhuanlan.zhihu.com/p/139523931
https://zhuanlan.zhihu.com/p/139519852
关注R小盐，关注科研私家菜(VX_GZH: SciPrivate)，有问题请联系R小盐。让我们一起来学习 R语言机器学习与临床预测模型