rpart 中的variable importance

rpart的variable importance指的是在构建决策树过程中，每个特征（变量）对于最终分类结果的重要程度。

在rpart包中，可以通过以下方式计算变量重要性：

1. 通过`printcp()`函数查看交叉验证误差最小的复杂度参数（cp）。
2. 通过`varImp()`函数计算每个变量的重要性得分，得分越高表示该变量对于分类结果的影响越大。

示例代码：

library(rpart)
data(iris)

# 构建决策树
tree <- rpart(Species ~ ., data = iris, method = "class")

# 查看交叉验证误差最小的cp
printcp(tree)

# 计算变量重要性
var_imp <- varImp(tree)
print(var_imp)

输出结果：

Classification tree:
rpart(formula = Species ~ ., data = iris, method = "class")

Variables actually used in tree construction:
[1] Petal.Length Petal.Width 

Root node error: 100/150 = 0.66667

n= 150 

        CP nsplit rel error xerror     xstd
1 0.666667      0  1.000000      1 0.051639
2 0.011905      1  0.333333      2 0.129099
3 0.010000      4  0.071429      4 0.154303

Variable importance
Petal.Width  Petal.Length Sepal.Length  Sepal.Width 
   42.289677    39.380564    11.689366     6.640393 

可以看到，变量重要性得分最高的是`Petal.Width`和`Petal.Length`，对于决策树的分类结果有较大的影响。