14、机器学习中的监督与无监督学习方法

机器学习中的监督与无监督学习方法

1. 监督学习方法

监督学习在许多领域都有广泛应用，如信用卡违约检测、薪资确定、图像分类和股票市场预测等。下面将详细介绍几种常见的监督学习算法。

1.1 决策树

决策树是一种具有可解释性解决方案模型的启发式方法，可分为回归树和分类树。

• 回归树剪枝 ：以一个复杂决策树为例，通过以下代码进行后剪枝操作：

dtp <- prune(dt, cp=0.058)
fancyRpartPlot(dtp, sub="DT – pruned")
y = H$Price[-I]; yh = predict(dtp, newdata = H[-I,])
cat("Regression tree: ", derr(y,yh))

剪枝后的平均绝对百分比误差（MAPE）为 9.66%（树大小为 4），相比之前的 8.46%（树大小为 8）略有增加。此外，还可以进行预剪枝，通过向 rpart 函数提供控制参数，如 minbucket （叶节点的最小观测数）、 minsplit （进行分裂的最小观测数）等。

• 分类树 ：以泰坦尼克号数据集为例，展示分类树的使用方法。
  • 简单决策树 ：使用 Survived ~ Sex 绘制简单决策树