fairseq教程（fairscale）



#第八章

# Lab: Decision Trees决策树

Fitting Classification Trees构建分类树

install.packages("tree")

library(tree)

library(ISLR2)

attach(Carseats)

High <- factor(ifelse(Sales <= 8, "No", "Yes"))

Carseats <- data.frame(Carseats, High)#合并数据

tree.carseats <- tree(High ~ . - Sales, Carseats)#建立分类树

summary(tree.carseats)

可知训练错误率是9%

plot(tree.carseats)

text(tree.carseats, pretty = 0)#显示节点标记

tree.carseats

用训练集建立分类树，在测试集上评估此树的预测效果

set.seed(2)

train <- sample(1:nrow(Carseats), 200)

Carseats.test <- Carseats[-train, ]

High.test <- High[-train]

tree.carseats <- tree(High ~ . - Sales, Carseats,

                      subset = train)

tree.pred <- predict(tree.carseats, Carseats.test,

                     type = "class")

table(tree.pred, High.test)

(104 + 50) / 200

该方法能对测试集上约77%的数据做出正确的预测

版权声明：

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！

转载请注明出处，原文链接：https://www.xkablog.com/rfx/25371.html