小白学R 第六课

你好，这里是R数据课堂，我是一水。

我们先来回顾一下第五课的关键语句参数：

# 纵坐标ylim

# 图形宽度xlim，width，space

# 图形宽度border

# 图形填充色col

# 行标签cex.names

# 数据标签text

今天这节课我们来学习决策树分类模型C5.0：

数据准备

模型输出

01 数据准备

credit

str(credit)

这个数据集的变量是贷款申请人的相关信息，可以看到数据集中既有因子变量也有数值变量。这堂课的分析我们用default作为因变量，其他变量作为自变量。这次分析的目的是根据自变量信息判断申请人是否会拖欠贷款。

02模型输出

library("C50")

model

summary(model)

模型分析语句中，credit[-17]表示自变量信息，summary命令显示模型结果，由于决策树比较大，这里我们只显示部分结果进行说明。

第一部分是决策树结果：

左侧红色方框是结果中的变量使用顺序，变量越早出现说明变量的重要性越高，这次分析的最重要的变量是checking_balance，其次是credit_history，然后是housing，接下来是housing的不同分支对变量的使用。

右侧绿色的边框是叶节点的输出，包括因变量的结果（NO）、到达该叶节点的数据点数量（457）和对因变量分类错误的数据点数量（60）。

决策树第一行输出的意思是，checking_balance变量的值>200 DM（货币单位，德国马克）或者变量值是unknown的数据点一共有457个人，这些人会被模型判定为NO（不拖欠贷款），这其中有60个人的判定是错误的（有60个数据点实际是YES，却被模型判定为NO）。

第二部分是模型结果与真实结果的对比：

可以看到判断正确的数据点数量是868（668+200），所以模型的准确率是86.8%（一共1000个数据点）。

这里需要注意一点，这个案例是判断贷款申请人是否会拖欠贷款，如果实际上会拖欠的申请人被模型判定为不会拖欠贷款，这样的判错成本是很高的，所以评价模型除了使用准确率还要结合实际情况进行理解。

第三部分是变量的使用情况：

可以看到最重要的三个变量是checking_balance、credit_history和months_loan_duration。

03 小结

这节课我们学习决策树分类模型的用法，先用C5.0语句建立模型，然后用summary语句查看模型结果。如果想要预测新的数据点的分类情况，请用如下语句：

credit_pred

model是上面已经建立的决策树模型对象，credit_test是新数据点对象。

其实决策树容易存在过拟合的问题，一般会先把数据集拆分为两部分，分别是训练集和测试集，训练集用来拟合模型，测试集用来检验模型的性能。这属于模型优化的内容，后面的课程会具体讲解。

感谢阅读，今天的课程有任何操作问题，请留言。