Árvores de Decisão no R

preview_player
Показать описание
  1. R, Estatística e Aprendizado de Máquina
  2. Aprendizado de Máquina
  3. Machine Learning
  4. Árvores de Decisão
  5. Decision Tree
  6. CART
Рекомендации по теме
Árvores de Decisão 0:33:09

Árvores de Decisão no R

R Avançado - 0:19:09

R Avançado - Classificação: Árvore de decisão - rpart

R Avançado - 0:14:15

R Avançado - Classificação: Árvore de decisão - party

[Machine Learning] Treinando 0:11:35

[Machine Learning] Treinando Modelos de Árvore de Decisão com a Linguagem R

R Avançado - 0:15:09

R Avançado - Classificação: Árvores de decisão - randomForest

Machine learning árvores 0:19:36

Machine learning árvores de decisão(rpart, ranger, xgboost) - Titanic #4

Árvores de Decisão 0:14:26

Árvores de Decisão - Exemplo completo com construção e cálculo

EXEMPLO SIMPLES DO 0:01:00

EXEMPLO SIMPLES DO FUNCIONAMENTO DAS ÁRVORES DE DECISÃO

Árvore de decisão 0:41:33

Árvore de decisão - Como funciona (Machine Learning)

Classificação com ctree 0:04:13

Classificação com ctree ( árvore de Decisão)

Árvores de Decisão 0:10:32

Árvores de Decisão - Overfitting e Atributos numéricos

IA - FACOM 1:03:51

IA - FACOM - Árvore de Decisão - Atributos Numéricos e Poda

Árvores de Decisão: 0:06:17

Árvores de Decisão: Exercício (Linguagens de Programação)

Classificação com rpart 0:05:03

Classificação com rpart no R

Resolva problemas reais 0:42:00

Resolva problemas reais usando Árvores de Decisão.

Divulgação - Curso 0:01:28

Divulgação - Curso de Mineração de Dados com Linguagem R (Classificação)

Árvores de Decisão 0:25:29

Árvores de Decisão utilizando o Índice Gini

Árvore de Decisão 0:55:30

Árvore de Decisão / Classificação / Regressão - Ciência|Visualização|Dados|Saúde

Árvores de Decisão 0:36:39

Árvores de Decisão - Funcionamento do classificador e exemplo em Python

Indução de Árvores 0:07:26

Indução de Árvores de Decisão (Parte 4): Árvore de Decisão (Solução do Problema)

Aula 7 - 0:14:43

Aula 7 - Árvores de decisão

Árvores de Decisão 0:55:59

Árvores de Decisão aplicadas a Machine Learning

Projeto Machine Learning 0:22:27

Projeto Machine Learning Como utilizar a Árvore de Decisão no Python

Indução de Árvores 0:52:29

Indução de Árvores de Decisão - Aula Completa

Комментарии
Автор

Oi Letícia... excelente aula. Eu estudo ecologia e e quero classificar 9 grupos de árvores a partir de 9 atributos... gostaria que os nós terminais representassem os caminhos que representam os grupos de arvores, pelos atributos utilizados. Porém, não consegui seguir na analise no passo de usar a profundidade máxima (6:10), onde está no script como survived, coloquei os Grupos (9 categorias). O programa reclama isso: Error in ctrl$summaryFunction(testOutput, lev, method) :
Your outcome has 9 levels. The twoClassSummary() function isn't appropriate.

Não sei se é possível realizar a classificação que eu quero por esse método.
Obs. eu usei a parte de test e training gerando duas matrizes.

O meu conjunto de dados é assim:

Grupos AFE MS DM AP IPA M. SD SR RF
2 C1 4.946098 7.390 0.4700 34.50000 0.2253 0.497 NZ Dioica Perene
3 C1 5.136509 8.424 0.5550 37.16490 0.2996 0.283 NZ Dioica Perene
4 C1 4.578239 7.259 0.5000 0.2444 0.245 NZ Dioica Perene
5 C1 5.357466 8.839 0.5500 0.2832 0.225 NZ Dioica Perene
6 C2 8.977793 0.029 0.5140 29.25000 0.2171 1.797 Z Dioica Decidua
7 C2 8.379575 0.000 0.4893 25.16273 0.2080 1.790 Z Monoica Decidua
9 C2 19.591819 0.056 0.7223 0.3440 0.288 Z Monoica Decidua
10 C2 6.416770 0.011 0.8667 24.59864 0.1737 0.000 Z Monoica Decidua
11 C2 16.086529 0.007 0.4804 21.10299 0.1548 0.345 Z Monoica Decidua
12 C2 7.879540 0.031 0.7500 0.1807 1.919 Z Monoica Decidua
15 C2 11.577212 0.027 0.9030 27.50000 0.4601 0.000 Z Monoica Decidua
16 C2 7.359504 0.015 0.8311 14.90193 0.1206 0.816 Z Monoica Perene
17 C3 10.703779 0.017 0.6560 0.3285 12.870 Z Monoica Decidua
19 C3 9.575314 0.018 0.6700 22.50000 0.5036 17.087 Z Monoica Decidua
20 C3 11.280954 0.022 0.5600 18.50000 0.3484 5.359 Z Monoica Decidua
21 C3 13.354501 0.017 0.6400 0.2526 11.760 Z Monoica Decidua
22 C4 9.321792 0.019 0.5627 24.50000 0.3019 5.518 Z Monoica Decidua
24 C4 12.022969 0.001 0.4483 19.37203 0.3210 8.483 Z Monoica Decidua
25 C4 9.388519 0.001 0.4167 0.4522 0.816 Z Monoica Perene
26 C4 17.260034 0.022 0.4837 0.3813 4.572 NZ Monoica Decidua
27 C4 10.373238 0.001 0.4125 18.83983 0.2850 1.203 Z Monoica Perene
28 C5 12.529560 0.063 0.6080 16.14624 0.0852 0.905 NZ Monoica Perene
29 C5 28.126986 0.096 0.5153 0.1804 0.885 NZ Monoica Decidua
30 C5 11.097281 0.021 0.7055 0.0993 1.196 NZ Monoica Perene
31 C5 11.593411 0.048 0.6600 0.1351 0.441 NZ Monoica Decidua
32 C5 10.484552 0.044 0.8088 20.50000 0.1623 0.590 NZ Monoica Decidua
34 C5 17.788739 0.047 0.8500 0.1524 2.959 NZ Monoica Decidua
35 C5 11.680238 0.186 0.6400 0.1322 0.633 NZ Monoica Perene
36 C5 19.550872 0.038 0.6500 23.50000 0.1046 0.059 NZ Monoica Decidua
37 C5 13.392349 0.004 0.7251 15.50000 0.0884 1.057 NZ Monoica Perene
39 C5 13.616391 0.600 0.6100 11.75000 0.1266 1.103 NZ Monoica Perene
41 C5 14.733355 0.005 0.6294 0.0681 0.714 NZ Monoica Perene
43 C5 15.557512 0.130 0.6920 22.50000 0.1847 0.873 NZ Monoica Decidua
44 C5 16.242812 0.500 0.8500 0.1737 0.364 NZ Monoica Decidua
46 C5 14.601279 0.600 0.7398 14.25000 0.0982 4.095 NZ Monoica Decidua
49 C6 7.827180 0.309 0.5558 0.1077 3.907 NZ Monoica Perene
50 C6 7.109566 0.013 0.2700 6.75000 0.0060 1.825 NZ Monoica Perene
51 C6 9.160722 0.004 0.4338 15.68510 0.0960 3.111 NZ Monoica Decidua
52 C6 5.592759 0.003 0.5800 20.17794 0.0779 4.991 NZ Dioica Perene
53 C6 7.042712 0.002 0.5270 17.51088 0.1150 1.238 NZ Dioica Perene
54 C6 8.099705 0.008 0.5480 17.64531 0.1266 1.687 NZ Dioica Perene
55 C6 5.862168 0.007 0.5433 17.44738 0.1059 3.167 NZ Dioica Perene
57 C6 10.716600 0.243 0.5150 17.43333 0.1286 1.523 NZ Monoica Decidua
58 C6 10.488603 0.015 0.5814 17.09426 0.1668 5.570 NZ Dioica Perene
59 C6 8.974586 1.282 0.3040 10.75094 0.0947 3.062 NZ Monoica Decidua
60 C7 8.429134 0.299 0.9300 16.50000 0.1078 0.078 NZ Monoica Decidua
61 C7 8.480175 0.804 0.8253 15.25148 0.1887 1.837 NZ Monoica Decidua
63 C7 9.145041 0.039 0.8686 17.03187 0.1363 3.118 NZ Monoica Perene
64 C7 5.453007 0.010 0.7075 10.82183 0.1175 1.444 NZ Monoica Decidua
65 C7 7.540789 0.048 0.7342 15.75938 0.1103 1.811 NZ Dioica Perene
67 C7 9.229733 0.331 0.7150 0.1446 0.883 NZ Monoica Perene
68 C7 10.200141 0.556 0.6275 17.50000 0.1529 0.000 NZ Monoica Perene
69 C7 8.689680 1.081 0.6987 23.50000 0.0435 0.483 NZ Monoica Perene
70 C7 9.116618 0.017 0.6674 16.33030 0.1258 0.370 NZ Monoica Perene
72 C8 13.973664 0.295 0.5200 0.2616 0.000 NZ Monoica Perene
73 C8 9.209892 0.048 0.4016 18.13087 0.1225 0.539 NZ Monoica Decidua
74 C8 10.685162 0.132 0.4650 14.65935 0.2294 2.655 NZ Monoica Decidua
76 C8 10.172934 0.009 0.6546 12.25920 0.0769 0.000 NZ Dioica Decidua
78 C8 11.351522 0.014 0.5322 15.43632 0.1217 3.128 NZ Dioica Decidua
79 C9 8.847948 0.475 0.5670 29.50000 0.3354 0.820 NZ Dioica Decidua
80 C9 9.064230 0.719 0.4243 0.1750 1.302 NZ Monoica Decidua
81 C9 10.580770 0.706 0.5650 0.4339 0.226 NZ Dioica Perene
82 C9 7.145765 1.417 0.6519 27.48069 0.2442 0.651 NZ Monoica Decidua
84 C9 7.445647 0.180 0.5979 26.04463 0.1597 0.403 NZ Dioica Decidua
85 C9 8.022066 0.161 0.6332 0.2102 1.891 NZ Monoica Decidua

Será que consegue me ajudar?

Joey
Автор

Uma dúvida! Para entender o Random Forest, é preciso saber os fundamentos que você está tratando aqui, na árvore de decisão?

irinaldosouza