[英]How do I test data against a decision tree model in R?
我使用R中的rpart包从训练数据构建了一个决策树。现在我有更多数据,我想在树上检查它以检查模型。 逻辑/迭代,我想做以下事情:
for each datapoint in new data
run point thru decision tree, branching as appropriate
examine how tree classifies the data point
determine if the datapoint is a true positive or false positive
我如何在R中做到这一点?
为了能够使用它,我假设您将训练集分成子集训练集和测试集。
要创建训练模型,您可以使用:
model <- rpart(y~., traindata, minbucket=5) # I suspect you did it so far.
要将其应用于测试集:
pred <- predict(model, testdata)
然后,您将获得预测结果的向量。
在您的训练测试数据集中,您也有“真实”的答案。 让我们说一下训练集中的最后一列。
简单地将它们等同将产生结果:
pred == testdata[ , last] # where 'last' equals the index of 'y'
当元素相等时,你会得到一个真,当你得到一个假,这意味着你的预测是错误的。
pred + testdata[, last] > 1 # gives TRUE positive, as it means both vectors are 1
pred == testdata[, last] # gives those that are correct
看看你有多少正确率可能会很有趣:
mean(pred == testdata[ , last]) # here TRUE will count as a 1, and FALSE as 0
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.