预测模型决策树

Question

我想使用R中的决策树分类来构建一个预测模型。我使用了以下代码：

library(rpart)
library(caret)
DataYesNo <- read.csv('DataYesNo.csv', header=T)
summary(DataYesNo)
worktrain <- sample(1:50, 40)
worktest  <- setdiff(1:50, worktrain)
DataYesNo[worktrain,]
DataYesNo[worktest,]
M      <- ncol(DataYesNo)
input  <- names(DataYesNo)[1:(M-1)]                 
target <- “YesNo”                                       
tree   <- rpart(YesNo~Var1+Var2+Var3+Var4+Var5,
                data=DataYesNo[worktrain, c(input,target)],
                method="class",
                parms=list(split="information"),
                control=rpart.control(usesurrogate=0, maxsurrogate=0))

summary(tree) 
plot(tree)
text(tree) 

我只得到了一个根(Var3)和两个叶(yes，no)。我对这个结果不太确定。如何获得混淆矩阵、准确性、敏感度和特异性？我可以在caret包中获得它们吗？

Answer 1

如果您使用模型对测试集进行预测，则可以使用confusionMatrix()来获得您正在寻找的度量。

就像这样..。

predictions <- predict(tree, worktest)
cmatrix <- confusionMatrix(predictions, worktest$YesNo)
print(cmatrix)

Answer 2

一旦你创建了一个混淆矩阵，还可以获得其他度量--我现在不记得了。

根据您的示例，可以按如下方式获得混淆矩阵。

fitted <- predict(tree, DataYesNo[worktest, c(input,target)])
actual <- DataYesNo[worktest, c(target)]
confusion <- table(data.frame(fitted = fitted, actual = actual))