=== 今回のお題 ===

  * [[dmb:2011:q2|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[[dmb:2011:q2|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，[[https://appl.stat.inf.uec.ac.jp/doku.php?id=r:how_to:internet_proxy|Rのプロクシの設定]]や[[http://stat.inf.uec.ac.jp/dokuwiki/doku.php?id=dmb:2011:q2|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．

<code>
install.packages(c("tree", "rpart"), dependencies=TRUE)
</code>

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．

<code>
library(rpart)
</code>

=== 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．

<code>
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)
</code>

=== 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．

<code>
tic.rpart <- rpart(V86~.,
                   data=tic.sub.2)
</code>

結果を表示すると，

<code>
tic.rpart
</code>

次のように，何も分割されないはずである．

<code>
n= 5822 

node), split, n, loss, yval, (yprob)
      * denotes terminal node

1) root 5822 348 no contract (0.05977327 0.94022673) *
</code>

このデータは，　

<code>
table(tic.sub.2$V86)
</code>

により"contract"と"no contract"を数えさせると，

<code>
   contract no contract 
        348        5474 
</code>

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．

<code>
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)
</code>

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．

{{ :dmb:2011:tic-rpart-0.002.jpg?400 |}}

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．

<code>
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)
</code>

など．