0

我将“ctree”用于分类树（分类响应变量；新建，替换）。我已经从其他可用答案中获得了帮助，并强制模型根据“年份”开始拆分。我有四个自变量（包括“年份”）。但模型只使用了一个重要变量。所以，我也想强制模型根据其他参数拆分为其他节点。

我从如何在 R 编程中指定决策树中的拆分中获得帮助？@Achim Zeileis

...

带有“party”包的决策树

library(partykit)
set.seed(123)
tr1<- ctree(new_ROWTS ~ Year, data = training )
tr2<- ctree(new_ROWTS ~ Year + STI_OWTS_00+capacity_per_bed+system_type,
    data = training,
    subset = predict (tr1, type = "node")==2)
tr3<- ctree(new_ROWTS ~ Year + STI_OWTS_00+capacity_per_bed+system_type,
     data = training,
     subset = predict (tr1, type = "node")==3)
...........
##Extract the raw node structure from all three trees, fix-up nood id:##
fixids <-  function(x, startid = 1L) {
id <- startid - 1L 
new_node <- function (x) {
id <<- id +1L
if(is.terminal(x)) return(partynode(id, info = info_node(x)))
partynode(id, 
     split = split_node(x),
      kids = lapply(kids_node(x),new_node),
      surrogates = surrogates_node(x), 
      info = info_node(x))
}
return (new_node(x))
}
no <- node_party(tr1)
no$kids <- list (
      fixids(node_party(tr2), startid = 2L),
      fixids(node_party(tr3), startid = 3L)
)
no
............
##set up a joint model:##
d <- model.frame(new_ROWTS ~ Year + 
                 STI_OWTS_00+capacity_per_bed+system_type,
data = training)
tr <- party (no, data = d, 
            fitted = data.frame(
            "(fitted)" = fitted_node(no, data = d),
            "(response)" = model.response(d), check.names = FALSE),
             terms = terms(d),
             ) 
tr <- as.constparty(tr)
##Visualizing##
plot(tr)
##This is the output: Leaf 1 (year) divided to two nodes :before 1998[2],
and >aftre 1998 [3]. and node 3 splits to two [4] and [5]##
[1] root
|   [2] V2 <= 1 *
|   [3] V2 > 1
|   |   [4] V3 <= 10.52754 *
|   |   [5] V3 > 10.52754 *
4

1 回答 1

0

目前还不清楚你想要什么。您的预测变量似乎没有足够的预测能力包含在树中。尽管与因变量的关联不显着，但强制拆分可能不是一个很好的解决方案。

如果您想在允许以不太严格的重要性级别（默认为alpha = 0.05）进行拆分时查看树的结构，您可以使用类似的东西。有关详细信息，ctree(..., alpha = 0.8)请参阅?ctree_control。不过，这种树的结果是否对解释和/或预测有用是一个不同的问题。

于 2019-05-04T11:01:05.437 回答