24、机器学习中的回归与黑盒方法探索

机器学习中的回归与黑盒方法探索

1. 回归树模型性能评估

在使用回归树模型对测试数据进行预测时，可使用 predict() 函数。默认情况下，该函数会返回结果变量的估计数值，并将其存储在名为 p.rpart 的向量中，代码如下：

p.rpart <- predict(m.rpart, wine_test)

对预测结果的摘要统计进行快速查看，发现预测值的范围比真实值要窄得多：

summary(p.rpart)
#    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.
#  4.545   5.563   5.971   5.893   6.202   6.597
summary(wine_test$quality)
#    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.
#  3.000   5.000   6.000   5.901   6.000   9.000

这表明模型未能正确识别极端情况，尤其是最好和最差的葡萄酒。不过，在第一和第三四分位数之间，模型可能表现良好。

1.1 相关性评估

预测值和实际质量值之间的相关性是衡量模型性能的一种简单方法。可以使用 cor() 函数来测量两个等长向量之间的关系：

c