預測模型決策樹

Question

我想使用R中的決策樹分類來構建預測模型。我使用了以下代碼：

library(rpart)
library(caret)
DataYesNo <- read.csv('DataYesNo.csv', header=T)
summary(DataYesNo)
worktrain <- sample(1:50, 40)
worktest  <- setdiff(1:50, worktrain)
DataYesNo[worktrain,]
DataYesNo[worktest,]
M      <- ncol(DataYesNo)
input  <- names(DataYesNo)[1:(M-1)]                 
target <- “YesNo”                                       
tree   <- rpart(YesNo~Var1+Var2+Var3+Var4+Var5,
                data=DataYesNo[worktrain, c(input,target)],
                method="class",
                parms=list(split="information"),
                control=rpart.control(usesurrogate=0, maxsurrogate=0))

summary(tree) 
plot(tree)
text(tree) 

我只有一個根（ Var3 ）和兩個葉子（ yes ， no ）。 我不確定這個結果。 如何獲得混淆矩陣，准確性，敏感性和特異性？ 我可以用caret包裝獲得它們嗎？

Answer 1

如果使用模型對測試集進行預測，則可以使用confusionMatrix()來獲取所需的度量。

像這樣

predictions <- predict(tree, worktest)
cmatrix <- confusionMatrix(predictions, worktest$YesNo)
print(cmatrix)

Answer 2

創建混亂矩陣后，還可以獲得其他度量-我暫時不記得它們。

根據您的示例，可以如下獲得混淆矩陣。

fitted <- predict(tree, DataYesNo[worktest, c(input,target)])
actual <- DataYesNo[worktest, c(target)]
confusion <- table(data.frame(fitted = fitted, actual = actual))