forked from vikasgupta1812/Learning_R
-
Notifications
You must be signed in to change notification settings - Fork 0
/
ch-decision-trees.R
executable file
·149 lines (114 loc) · 4.82 KB
/
ch-decision-trees.R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
### R code from vignette source 'ch-decision-trees.rnw'
###################################################
### code chunk number 1: ch-decision-trees.rnw:6-9
###################################################
# free memory
rm(list = ls())
gc()
###################################################
### code chunk number 2: ch-decision-trees.rnw:23-28
###################################################
str(iris)
set.seed(1234)
ind <- sample(2, nrow(iris), replace=TRUE, prob=c(0.7, 0.3))
trainData <- iris[ind==1,]
testData <- iris[ind==2,]
###################################################
### code chunk number 3: ch-decision-trees.rnw:32-37
###################################################
library(party)
myFormula <- Species ~ Sepal.Length + Sepal.Width + Petal.Length + Petal.Width
iris_ctree <- ctree(myFormula, data=trainData)
# check the prediction
table(predict(iris_ctree), trainData$Species)
###################################################
### code chunk number 4: ch-decision-trees.rnw:42-43
###################################################
print(iris_ctree)
###################################################
### code chunk number 5: ch-decision-trees.rnw:49-50
###################################################
plot(iris_ctree)
###################################################
### code chunk number 6: ch-decision-trees.rnw:59-60
###################################################
plot(iris_ctree, type="simple")
###################################################
### code chunk number 7: ch-decision-trees.rnw:71-74
###################################################
# predict on test data
testPred <- predict(iris_ctree, newdata = testData)
table(testPred, testData$Species)
###################################################
### code chunk number 8: ch-decision-trees.rnw:88-92
###################################################
data("bodyfat", package = "mboost")
dim(bodyfat)
attributes(bodyfat)
bodyfat[1:5,]
###################################################
### code chunk number 9: ch-decision-trees.rnw:96-108
###################################################
set.seed(1234)
ind <- sample(2, nrow(bodyfat), replace=TRUE, prob=c(0.7, 0.3))
bodyfat.train <- bodyfat[ind==1,]
bodyfat.test <- bodyfat[ind==2,]
# train a decision tree
library(rpart)
myFormula <- DEXfat ~ age + waistcirc + hipcirc + elbowbreadth + kneebreadth
bodyfat_rpart <- rpart(myFormula, data = bodyfat.train,
control = rpart.control(minsplit = 10))
attributes(bodyfat_rpart)
print(bodyfat_rpart$cptable)
print(bodyfat_rpart)
###################################################
### code chunk number 10: ch-decision-trees.rnw:114-116
###################################################
plot(bodyfat_rpart)
text(bodyfat_rpart, use.n=T)
###################################################
### code chunk number 11: ch-decision-trees.rnw:127-133
###################################################
opt <- which.min(bodyfat_rpart$cptable[,"xerror"])
cp <- bodyfat_rpart$cptable[opt, "CP"]
bodyfat_prune <- prune(bodyfat_rpart, cp = cp)
print(bodyfat_prune)
plot(bodyfat_prune)
text(bodyfat_prune, use.n=T)
###################################################
### code chunk number 12: ch-decision-trees.rnw:143-148
###################################################
DEXfat_pred <- predict(bodyfat_prune, newdata=bodyfat.test)
xlim <- range(bodyfat$DEXfat)
plot(DEXfat_pred ~ DEXfat, data=bodyfat.test, xlab="Observed",
ylab="Predicted", ylim=xlim, xlim=xlim)
abline(a=0, b=1)
###################################################
### code chunk number 13: ch-decision-trees.rnw:162-165
###################################################
ind <- sample(2, nrow(iris), replace=TRUE, prob=c(0.7, 0.3))
trainData <- iris[ind==1,]
testData <- iris[ind==2,]
###################################################
### code chunk number 14: ch-decision-trees.rnw:169-174
###################################################
library(randomForest)
rf <- randomForest(Species ~ ., data=trainData, ntree=100, proximity=TRUE)
table(predict(rf), trainData$Species)
print(rf)
attributes(rf)
###################################################
### code chunk number 15: ch-decision-trees.rnw:182-183
###################################################
plot(rf)
###################################################
### code chunk number 16: ch-decision-trees.rnw:193-195
###################################################
importance(rf)
varImpPlot(rf)
###################################################
### code chunk number 17: ch-decision-trees.rnw:205-208
###################################################
irisPred <- predict(rf, newdata=testData)
table(irisPred, testData$Species)
plot(margin(rf, testData$Species))