d <- na.omit(read.csv('https://stats.dip.jp/01_ds/data/bike_rental.csv'))
n <- nrow(d)
library(DT)
datatable(d, options = list(pageLength = 5))COL <- c(rgb(255, 0, 0, 105, max = 255),
rgb( 0, 0, 255, 105, max = 255),
rgb( 0, 155, 0, 105, max = 255),
rgb(100, 100, 100, 55, max = 255))
library(rpart)
library(rpart.plot)
tree <- rpart(レンタル数 ~ 季節 + 月 + 祝日 + 曜日 + 休日 + 天気 + 気温 + 湿度 + 風速, data = d, method = 'anova', cp = 0.01)
rpart.plot(tree, branch.type = 5)
rpart.rules(tree, branch.type = 5, cover = T)## Warning: rpart.rules: ignoring argument 'branch.type'## レンタル数 cover
## 1663 when 気温 < 4.1 & 季節 is 春 or 冬 9%
## 2261 when 気温 is 4.1 to 12.3 & 湿度 >= 68 & 季節 is 春 or 冬 6%
## 2723 when 気温 is 4.1 to 7.8 & 湿度 < 68 & 季節 is 春 or 冬 7%
## 3382 when 気温 >= 12.3 & 湿度 >= 85 4%
## 3941 when 気温 is 7.8 to 12.3 & 湿度 < 68 & 季節 is 春 or 冬 4%
## 4176 when 気温 < 12.3 & 季節 is 秋 14%
## 4626 when 気温 >= 12.3 & 湿度 is 69 to 85 & 風速 >= 12 8%
## 4966 when 気温 is 12.3 to 17.1 & 湿度 < 69 & 月 < 9 6%
## 5644 when 気温 >= 12.3 & 湿度 is 69 to 85 & 風速 < 12 10%
## 5885 when 気温 >= 17.1 & 湿度 < 69 & 月 < 9 24%
## 6615 when 気温 >= 12.3 & 湿度 < 69 & 月 >= 9 7%printcp(tree)##
## Regression tree:
## rpart(formula = レンタル数 ~ 季節 + 月 + 祝日 + 曜日 +
## 休日 + 天気 + 気温 + 湿度 + 風速, data = d, method = "anova",
## cp = 0.01)
##
## Variables actually used in tree construction:
## [1] 気温 季節 月 湿度 風速
##
## Root node error: 2739535392/731 = 3747654
##
## n= 731
##
## CP nsplit rel error xerror xstd
## 1 0.390509 0 1.00000 1.00429 0.040458
## 2 0.070302 1 0.60949 0.61224 0.026949
## 3 0.052880 2 0.53919 0.55043 0.026563
## 4 0.022313 3 0.48631 0.51124 0.022903
## 5 0.015319 4 0.46400 0.49762 0.021906
## 6 0.012892 5 0.44868 0.50131 0.021577
## 7 0.012226 6 0.43579 0.49564 0.021419
## 8 0.010671 7 0.42356 0.49192 0.021177
## 9 0.010087 8 0.41289 0.48564 0.021319
## 10 0.010000 10 0.39271 0.48592 0.021426plotcp(tree)
tree2 <- prune(tree, cp = 0.01)
rpart.plot(tree2, branch.type = 5)
rpart.rules(tree2)## レンタル数
## 1663 when 気温 < 4.1 & 季節 is 春 or 冬
## 2261 when 気温 is 4.1 to 12.3 & 湿度 >= 68 & 季節 is 春 or 冬
## 2723 when 気温 is 4.1 to 7.8 & 湿度 < 68 & 季節 is 春 or 冬
## 3382 when 気温 >= 12.3 & 湿度 >= 85
## 3941 when 気温 is 7.8 to 12.3 & 湿度 < 68 & 季節 is 春 or 冬
## 4176 when 気温 < 12.3 & 季節 is 秋
## 4626 when 気温 >= 12.3 & 湿度 is 69 to 85 & 風速 >= 12
## 4966 when 気温 is 12.3 to 17.1 & 湿度 < 69 & 月 < 9
## 5644 when 気温 >= 12.3 & 湿度 is 69 to 85 & 風速 < 12
## 5885 when 気温 >= 17.1 & 湿度 < 69 & 月 < 9
## 6615 when 気温 >= 12.3 & 湿度 < 69 & 月 >= 9printcp(tree2)##
## Regression tree:
## rpart(formula = レンタル数 ~ 季節 + 月 + 祝日 + 曜日 +
## 休日 + 天気 + 気温 + 湿度 + 風速, data = d, method = "anova",
## cp = 0.01)
##
## Variables actually used in tree construction:
## [1] 気温 季節 月 湿度 風速
##
## Root node error: 2739535392/731 = 3747654
##
## n= 731
##
## CP nsplit rel error xerror xstd
## 1 0.390509 0 1.00000 1.00429 0.040458
## 2 0.070302 1 0.60949 0.61224 0.026949
## 3 0.052880 2 0.53919 0.55043 0.026563
## 4 0.022313 3 0.48631 0.51124 0.022903
## 5 0.015319 4 0.46400 0.49762 0.021906
## 6 0.012892 5 0.44868 0.50131 0.021577
## 7 0.012226 6 0.43579 0.49564 0.021419
## 8 0.010671 7 0.42356 0.49192 0.021177
## 9 0.010087 8 0.41289 0.48564 0.021319
## 10 0.010000 10 0.39271 0.48592 0.021426plotcp(tree2)
###回帰木でレンタル自転車数を推定するルールは、気温が12.3度以上、湿度が69％以下、9月より前ということが分かる。
###最も平均値の高いルールはレンタル数が増える。
d2 <- read.csv("https://stats.dip.jp/01_ds/data/iris.csv")
library(DT)
datatable(d, options = list(pageLength = 5))library(rpart)
library(rpart.plot)
tree3 <- rpart(Species~ Sepal.Length + Sepal.Width + Petal.Length + Petal.Width,
data = d2, method = 'class', cp = 0.005)
rpart.plot(tree3, branch.type = 5)
rpart.rules(tree3, cover = T)## Species seto vers virg cover
## setosa [1.00 .00 .00] when Petal.Length < 2.5 33%
## versicolor [ .00 .91 .09] when Petal.Length >= 2.5 & Petal.Width < 1.8 36%
## virginica [ .00 .02 .98] when Petal.Length >= 2.5 & Petal.Width >= 1.8 31%printcp(tree3)##
## Classification tree:
## rpart(formula = Species ~ Sepal.Length + Sepal.Width + Petal.Length +
## Petal.Width, data = d2, method = "class", cp = 0.005)
##
## Variables actually used in tree construction:
## [1] Petal.Length Petal.Width
##
## Root node error: 100/150 = 0.66667
##
## n= 150
##
## CP nsplit rel error xerror xstd
## 1 0.500 0 1.00 1.15 0.051801
## 2 0.440 1 0.50 0.62 0.060310
## 3 0.005 2 0.06 0.10 0.030551plotcp(tree3)
d.new <- data.frame(Sepal.Length = 4.0,
Sepal.Width = 3.0,
Petal.Length = 3.0,
Petal.Width = 1.0
)
rpart.predict(tree3, newdata = d.new)## setosa versicolor virginica
## 1 0 0.9074074 0.09259259###分類木を使ってアイリスの種類を判定するルールは、versicolorが90%である。 ###このデータのアイリスはversicolorである。