Daten die Vorhersage mit Entscheidungsbaum des rpart

Ich bin mit R zu klassifizieren, die einen Daten-frame 'd' enthält Daten, die strukturiert wie unten:

Daten die Vorhersage mit Entscheidungsbaum des rpart

Daten 576666 Zeilen und die Spalte "classLabel" hat einen Faktor von 3 Ebenen: EINS, ZWEI, DREI.

Ich mache einen Entscheidungsbaum mit rpart:

fitTree = rpart(d$classLabel ~ d$tripduration + d$from_station_id + d$gender +  d$birthday)

Und ich möchte, um vorherzusagen, die Werte für die "classLabel" für newdata:

newdata = data.frame( tripduration=c(345,244,543,311), 
                      from_station_id=c(60,28,100,56),
                      gender=c("Male","Female","Male","Male"),  
                      birthday=c(1972,1955,1964,1967) )

 p <- predict(fitTree, newdata)

Ich erwarte, dass mein Ergebnis eine matrix von 4 Zeilen jeweils mit einer Wahrscheinlichkeit von drei möglichen Werte für "classLabel" von newdata. Aber was bekomme ich als Ergebnis in p, ist ein dataframe von 576666 Zeilen wie unten:

Daten die Vorhersage mit Entscheidungsbaum des rpart

Bekomme ich auch die folgende Warnung beim ausführen der predict Funktion:

Warning message:
'newdata' had 4 rows but variables found have 576666 rows

Wo bin ich falsch?!

Verwenden Sie nicht $ in Ihren Formeln. Verwenden Sie stattdessen ` rpart(classLabel ~ tripduration + from_station_id + Geschlecht + Geburtstag, data=d) " ansonsten werden die Variablen gebunden sind "d" und nicht gelöst werden, in Ihrem newdata Daten.frame. In der Zukunft, sicher sein, eine reproduzierbare Beispiel mit Beispiel-input-Daten, so können wir die gleichen Fehler wie du (Bilder, Daten zählen nicht).

InformationsquelleAutor Saba Jamalian | 2015-04-11

  1. 13

    Ich denke, das problem ist: Sie sollten hinzufügen "type=" class " "in der Vorhersage-code:

        predict(fitTree,newdata,type="class")

    Versuchen Sie den folgenden code. Ich nehme "iris" dataset in diesem Beispiel.

        > data(iris)
    > head(iris)
    Sepal.Length Sepal.Width Petal.Length Petal.Width Species
  1          5.1         3.5          1.4         0.2  setosa
  2          4.9         3.0          1.4         0.2  setosa
  3          4.7         3.2          1.3         0.2  setosa
  4          4.6         3.1          1.5         0.2  setosa
  5          5.0         3.6          1.4         0.2  setosa
  6          5.4         3.9          1.7         0.4  setosa

  # model fitting
  > fitTree<-rpart(Species~Sepal.Length+Sepal.Width+Petal.Length+Petal.Width,iris)

  #prediction-one row data
  > newdata<-data.frame(Sepal.Length=7,Sepal.Width=4,Petal.Length=6,Petal.Width=2)
  > newdata
  Sepal.Length Sepal.Width Petal.Length Petal.Width
  1            7           4            6           2

 # perform prediction
  > predict(fitTree, newdata,type="class")
     1 
  virginica 
  Levels: setosa versicolor virginica

 #prediction-multiple-row data
 > newdata2<-data.frame(Sepal.Length=c(7,8,6,5),
 +                      Sepal.Width=c(4,3,2,4),
 +                      Petal.Length=c(6,3.4,5.6,6.3),
 +                      Petal.Width=c(2,3,4,2.3))

 > newdata2
  Sepal.Length Sepal.Width Petal.Length Petal.Width
   1            7           4          6.0         2.0
   2            8           3          3.4         3.0
   3            6           2          5.6         4.0
   4            5           4          6.3         2.3

# perform prediction
> predict(fitTree,newdata2,type="class")
      1         2         3         4 
 virginica virginica virginica virginica 
 Levels: setosa versicolor virginica

    InformationsquelleAutor Yimihua

Schreibe einen Kommentar