Decision Tree: CTree¶

r.ctree utilizza l’algoritmo Conditional inference trees [1] per determinare un modello predittivo di classificazione e regressione e generare un albero decisionale binario:

classification tree se la variabile obiettivo è una variabile categoriale

regression tree se la variabile obiettivo è una variabile continua

CTree cerca di limitare la tendenza all’overfitting dell’algoritmo CART inserendo un test di significatività per selezionare e i predittori più correlati con la variabile obiettivo.

Argomenti: [2]

varname => varlist: un hash con la variabile dipendente e l’elenco delle variabili indipendenti
:scale => varlist: specifica le variabili singole che devono essere considerate come ordinali
:weight => varname: il nome di una variabile di ponderazione
:tree => :party|:ggparty: metodo utilizzato per la generazione del grafico (default: :party)
:teststat: type of test statistic for variable selection: quadratic maximum
:splitstat: type of test statistic for splitpoint selection
:splittest: linear (default false)/ maximally selected statistics for variable selection
:testtype: distribution of test statistic: Bonferroni MonteCarlo Univariate Teststatistic
:nresample: number of permutations for testtype MonteCarlo
:alpha: significance level for variable selection
:minsplit: minimum sum of weights in a node in order to be considered for splitting
:minbucket: minimum sum of weights in a terminal node
:minprob: proportion of observations needed to establish a terminal node
:maxsurrogate: number of surrogate splits to evaluate
:maxdepth: maximum depth of the tree

Tabelle disponibili:

:analysis: riepilogo dei parametri dell’analisi

:nodes: tabella dei nodi generati

:varimp: importanza relativa delle variabili

Grafici disponibili:

:tree: il grafico ad albero

:varimp: importanza relativa delle variabili

prev = ["crim", "zn", "indus", "chas", "nox", "rm", "age", "dis", "rad", "tax", "ptratio", "black", "lstat"]
r.ctree :medv => prev, :maxdepth => 3

Note

[1]	Hothorn T., Hornik K., Zeileis A. (2006) Unbiased Recursive Partitioning: A ConditionalInference Framework Journal of Computational and Graphical Statistics, 15(3), 651674

[2]	Consultare Analisi per l’elenco dei parametri generali.