使用 rpart 构建具有分类变量的分类树答案

【问题标题】：building classification tree having categorical variables using rpart使用 rpart 构建具有分类变量的分类树
【发布时间】：2015-01-11 13:02:37
【问题描述】：

我有一个包含 14 个特征的数据集，其中很少有如下所示，其中性别和婚姻状况是分类变量。

height,sex,maritalStatus,age,edu,homeType

SEX
         1. Male
         2. Female

MARITAL STATUS
         1. Married
         2. Living together, not married
         3. Divorced or separated
         4. Widowed
         5. Single, never married

现在我正在使用 R 中的 rpart 库来构建分类树，使用以下内容

rfit = rpart(homeType ~., data = trainingData, method = "class", cp = 0.0001)

这给了我一个不考虑性别和婚姻状况的决策树。

我正在考虑为此使用 as.factor：

sex = as.factor(trainingData$sex)
ms = as.factor(trainingData$maritalStatus)

但我不确定如何将此信息传递给 rpart。由于 rpart() 中的数据参数采用“trainingData”数据帧。它将始终采用此数据框中的值。我对 R 不太熟悉，希望有人能在这方面提供帮助。

【问题讨论】：

标签： r decision-tree rpart

【解决方案1】：

您可以直接对trainingData 数据框进行更改，然后运行rpart()。

trainingData$sex = as.factor(trainingData$sex)
trainingData$maritalStatus = as.factor(trainingData$maritalStatus)
rfit = rpart(homeType ~., data = trainingData, method = "class", cp = 0.0001)

【讨论】：

我正在尝试将该答案应用于一个类似的示例，其中我的分类变量是星期几。只是为了确保我在训练集中只留下了那个变量，但是当我尝试训练分类器时，模型似乎只有一个根节点，这意味着我没有考虑这个变量。你知道可能是什么问题吗？

【解决方案2】：

在实践中，您可以将任何分类值转换为序数值，例如将“婚姻状况”转换为条件 1、2、3...但是，通常您不应该进行转换，除非您有一个概念定义任何连续值。例如，如果您无法定义什么是 1.2 婚姻状况，则不应进行转换。相反，有时您可以使用代表值，具体取决于您的研究目标。例如，如果您尝试关联数据以预测房屋类型，则每个婚姻状况的“最低舒适度”是一个序数值，如果（假设）为 1.2，则可以对其进行解释。

【讨论】：