今回のお題
- 前回の課題で行った3種類の学習機械(線形，加法，ロジスティック加法)の比較に，決定木も加えて，比較し直す．(レポートは前回の課題と同じ部分は，前回の内容をそのまま用いてよい)
- レポートの送付先 mailto:data.mining.finale@gmail.com
- レポートファイルの名前の先頭に，半角で学籍番号を付けること．例:0000000_データマイニング_2.doc
- 期限は1月16日(月)の1限
前提
今回の演習を行うパソコンでは，前回の演習が実行済みであることを前提とする． 前回とは別のパソコンで行う場合には，Rのプロクシの設定やデータの読み込みなどを実行しておくこと．
Rの準備
今回はrpartパッケージを使うので，以下の1行を実行して，インストールしておく． これは，1台のパソコンでは1度だけ実行すれば良い．
install.packages(c("tree", "rpart"), dependencies=TRUE)
rpartパッケージの読み込みは，Rを起動する度に毎回，実行する必要がある．
library(rpart)
データの準備
tic.sub中の変数V86を，0と1の2値から，「契約あり(contract)」と「契約なし(no contract)」という文字列に変換しておく．
tic.sub.2 <- tic.sub tic.sub.2$V86 <- as.character(tic.sub$V86) tic.sub.2$V86[tic.sub$V86==0] <- "no contract" tic.sub.2$V86[tic.sub$V86==1] <- "contract" tic.sub.2$V86 <- as.factor(tic.sub.2$V86)
決定木分析
決定木分析の実施にはrpart()という関数を用いる．
tic.rpart <- rpart(V86~.,
data=tic.sub.2)
結果を表示すると，
tic.rpart
次のように，何も分割されないはずである．
n= 5822
node), split, n, loss, yval, (yprob)
* denotes terminal node
1) root 5822 348 no contract (0.05977327 0.94022673) *
このデータは，
table(tic.sub.2$V86)
により“contract”と“no contract”を数えさせると，
contract no contract
348 5474
と，契約数が6%弱である．そのため，デフォルトの決定木分析の設定では，これ以上は分割しない． そこで，rpartの制御変数を，幾つか変更して，更に分割させることを試みる．
tic.rpart <- rpart(V86~.,
data=tic.sub.2,
control=c(cp=0.002))
summary(tic.rpart)
par(cex=0.8)
plot(tic.rpart, uniform=T, branch=0.6, margin=0.05)
text(tic.rpart, all=T, use.n=T)
par(cex=1.0)
これは，cpという複雑さを指定する制御変数をデフォルトの0.05から，0.002まで小さくしてみた場合である．
この描き方では，ノードには囲みはないが，分割点に左右の条件が示され，分割の下には契約あり(contract)と契約なし(no contract)のヒストグラムと， 数字(contract/no contract)が記されている．それぞれのノードの「契約成功率」もしくは「契約成功のオッズ」は，各自で検討すること．
途中の行のcex=0.8は，プロットの中の文字の大きさを変更している． cex=1.0がデフォルトで，0.8は少し小さめ，という指定になる． グラフを作成し終えたら，1.0に戻しておく．
分割を決める制御変数には
| rpart.controlの引数 | 意味 | デフォルト値 |
|---|---|---|
| minsplit | ノードの分割を試みる最小のレコード数 | 20 |
| minbucket | 終端ノードのレコード数の最小値 | round(minsplit/3) |
| cp | 決定木の複雑さを調整するパラメータ | 0.05 |
| maxdepth | 決定木の最大の深さ | 30 |
などがある．他にも，
| rpart.controlの引数 | 意味 | デフォルト値 |
|---|---|---|
| maxcompete | the number of competitor splits retained in the output | 4 |
| maxsurrogate | the number of surrogate splits retained in the output | 5 |
| usesurrrogate | how to use surrogates in the splitting process | 2 |
| xval | number of cross-validations | 10 |
| surrogatestyle | controls the selection of a best surrogate | 0 |
などがあるが，このデータの分析では使わない．
さて複雑度を0.001に小さくすると，より複雑な木が得られる． ノード数が増えるので，字が小さくなる．
tic.rpart <- rpart(V86~.,
data=tic.sub.2,
control=c(minsplit=5,
cp=0.001))
summary(tic.rpart)
par(cex=0.5)
plot(tic.rpart, uniform=T, branch=0.6, margin=0.05)
text(tic.rpart, all=T, use.n=T)
par(cex=1.0)
など．