如何在 R 中将训练和测试数据集划分为决策树的比率？

Question

这是作业中的说明，我有两个单独的代码实现，但我无法解释说明的要求：

使用以下比率划分数据集；

a) 50 次训练：50 次测试

b) 75 次训练：25 次测试

c) 25 次训练：75 次测试

d) 85 次训练：15 次测试

sample.split 中的参数 SplitRatio 让我感到困惑，我检查了文档，但我不清楚它的作用，它看起来像是确定决策树的真假的成功百分比。 问题：我是否将 SplitRatio 设为 0.5 以获得 50 的火车、50 的测试比率，还是我只是将数据集本身修改为包含 50 行、75、25 等的随机种子？我在这里将 SplitRatio 设置为 0.9，并且将数据集本身修改为仅包含 50 个条目。如果我将它更改为 0.5，它会显着改变决策树，如果我包含整个数据集而不是 50，也是一样。

#---------------------------------
#    Ratio 50 Train : 50 Test
#---------------------------------

set.seed(1)
set50 <- sample(nrow(cancerdata), 50, replace=FALSE)
#set50

cancerset5050 <- cancerdata[set50,]
cancerset5050

?sample.split

spl = sample.split(cancerset5050$study.Diagnosis, SplitRatio = 0.9)
spl

dataTrain = subset(cancerset5050, spl==TRUE)
dataTest = subset(cancerset5050, spl==FALSE)

m5050 <- J48(as.factor(study.Diagnosis)~., dataTrain) 

summary(m5050)

## visualization the model
## use partykit package
if(require("partykit", quietly = TRUE)) plot(m5050)

dataTest.pred <- predict(m5050, newdata = dataTest)
table(dataTest$study.Diagnosis, dataTest.pred)

Answer 1

我认为你对sample.split函数的理解是正确的。如果你设置SplitRatio = 0.5，那么你将有50%的样本在训练集中，剩下的50%在测试集中。

我认为您应该在分离训练集和测试集之前将响应变量转换为因子。

那是

cancerset5050$study.Diagnosis <- as factor(cancerset5050$study.Diagnosis)

然后继续训练和测试

dataTrain = subset(cancerset5050, spl==TRUE)
dataTest = subset(cancerset5050, spl==FALSE)

m5050 <- J48(study.Diagnosis ~., dataTrain)