r语言多分类决策树

在R语言中，可以使用决策树模型进行多分类任务的建模。其中，常用的决策树算法有CART、C4.5和C5.0等。

下面以CART算法为例，介绍R语言中如何使用决策树进行多分类任务的建模。

首先，需要安装并加载rpart包，该包提供了决策树相关的函数和数据集。

install.packages("rpart")
library(rpart)

接下来，我们使用iris数据集进行演示。该数据集包含了三种不同品种的鸢尾花（setosa、versicolor和virginica），每种品种各有50个样本，共计150个样本。每个样本包含了4个特征（花萼长度、花萼宽度、花瓣长度和花瓣宽度），目标变量为品种。

data(iris)
head(iris)

接着，我们将数据集拆分成训练集和测试集，其中训练集占总样本数的70%。

set.seed(123)
train_idx <- sample(1:nrow(iris), 0.7*nrow(iris), replace=FALSE)
train_data <- iris[train_idx, ]
test_data <- iris[-train_idx, ]

然后，我们使用rpart函数建立决策树模型。

model <- rpart(Species ~ ., data=train_data, method="class")

其中，Species为目标变量，.表示使用所有特征进行建模，method="class"表示进行多分类任务的建模。

最后，我们使用predict函数在测试集上进行预测，并计算模型的准确率。

pred <- predict(model, test_data, type="class")
accuracy <- sum(pred == test_data$Species) / nrow(test_data)

完整代码如下：

# 安装并加载rpart包
install.packages("rpart")
library(rpart)

# 加载数据集
data(iris)

# 拆分数据集
set.seed(123)
train_idx <- sample(1:nrow(iris), 0.7*nrow(iris), replace=FALSE)
train_data <- iris[train_idx, ]
test_data <- iris[-train_idx, ]

# 建立决策树模型
model <- rpart(Species ~ ., data=train_data, method="class")

# 在测试集上进行预测，并计算准确率
pred <- predict(model, test_data, type="class")
accuracy <- sum(pred == test_data$Species) / nrow(test_data)

以上就是在R语言中使用决策树进行多分类任务的方法。