R语言决策树--预测模型

关注

VIP免费原创最新推荐文章于 2025-10-26 16:45:58 发布 1.3w 阅读 AI 写同款· GEO 优化 ›

限时加码！20+主流AI编程工具免费用购周边加赠Coding Plan Lite，Claude Code、Cursor等即刻畅享，学习进阶更高效！阅读详情

决策树，算法的目标是建立分类预测模型或回归预测模型，是一种预测模型，按目标不同可以细分为分类树和回归树，因为在展示的时候，类似于一棵倒置的树而得名。如下图：
这里写图片描述
基本概念：
根节点：如上图中最上方，一棵决策树只有一个根节点。
中间节点：位于中间的节点，有上有下的节点。
叶节点：没有后续连续的节点叫叶节点，意味着至此为止。
二叉树和多叉树：每个非节点只有两个分支，叫二叉树，多个就叫多叉树，上图是一个二叉树。
图形怎么看：
如上图，先看根节点，它框内写的是Middle 88/258，意思为在总观测数为258个里面，最大的分类是Middle，有88个，下方两个分支，PEG>=0.34的意思是，左边的分支是PEG>=0.34，右边的分支自然是PEG<0.34（有的图不会显示出来）。从左边的分支看下去，把PEG划分之后，PEG>=0.34的所有观测有143个，其中仍然是Middle分类最多，有78个，然后再按照分支下的分支方法，PEG>=0.34里面，再把它分为>=0.68和<0.68两类，于是在>=0.68这类里面，共有53个，其中最大的是High分类，有52个，这个已经没有必要再分下去了，所以它成为了叶节点。
核心问题
决策树的生长：决策树的本质是分类，就是从根节点开始，一步步区分不同的类别，从而达到最后不能再细分的过程，而这个过程就是生长过程，分支的准确，使差异下降显著，意思即为，假如你有一块奥得奥，一刀切下去，使得切开的两块差异性最大，正确的方法是从夹心层掰开，黑的和黄的两块饼干就分开了，不是么？