if (!require(rpart))      install.packages("rpart")
if (!require(rpart.plot)) install.packages("rpart.plot")
if (!require(DT))         install.packages("DT")
if (!require(kableExtra)) install.packages("kableExtra")
d <- read.csv('https://stats.dip.jp/01_ds/data/bike_rental.csv')
datatable(d, options = list(pageLength = 5))
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)

r <- rpart.rules(tree, cover = T)
kable(r)
レンタル数 cover
8 1663 when 気温 < 4.1 & 季節 is 春 or 冬 9%
18 2261 when 気温 is 4.1 to 12.3 & 湿度 >= 68 & 季節 is 春 or 冬 6%
38 2723 when 気温 is 4.1 to 7.8 & 湿度 < 68 & 季節 is 春 or 冬 7%
6 3382 when 気温 >= 12.3 & 湿度 >= 85 4%
39 3941 when 気温 is 7.8 to 12.3 & 湿度 < 68 & 季節 is 春 or 冬 4%
5 4176 when 気温 < 12.3 & 季節 is 秋 14%
28 4626 when 気温 >= 12.3 & 湿度 is 69 to 85 & 風速 >= 12 8%
60 4966 when 気温 is 12.3 to 17.1 & 湿度 < 69 & 月 < 9 6%
29 5644 when 気温 >= 12.3 & 湿度 is 69 to 85 & 風速 < 12 10%
61 5885 when 気温 >= 17.1 & 湿度 < 69 & 月 < 9 24%
31 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 1.00184 0.040333
## 2  0.070302      1   0.60949 0.61165 0.026904
## 3  0.052880      2   0.53919 0.54164 0.026469
## 4  0.022313      3   0.48631 0.49647 0.021846
## 5  0.015319      4   0.46400 0.48405 0.020973
## 6  0.012892      5   0.44868 0.50022 0.021689
## 7  0.012226      6   0.43579 0.49500 0.021629
## 8  0.010671      7   0.42356 0.49870 0.021881
## 9  0.010087      8   0.41289 0.49680 0.022405
## 10 0.010000     10   0.39271 0.49642 0.022635
plotcp(tree)

tree2 <- prune(tree, cp = 0.1)
rpart.plot(tree2, branch.type = 5)

tree3 <- prune(tree, cp = 0.01)
rpart.plot(tree3, branch.type = 5)

kable(rpart.rules(tree3,cover = T))
レンタル数 cover
8 1663 when 気温 < 4.1 & 季節 is 春 or 冬 9%
18 2261 when 気温 is 4.1 to 12.3 & 湿度 >= 68 & 季節 is 春 or 冬 6%
38 2723 when 気温 is 4.1 to 7.8 & 湿度 < 68 & 季節 is 春 or 冬 7%
6 3382 when 気温 >= 12.3 & 湿度 >= 85 4%
39 3941 when 気温 is 7.8 to 12.3 & 湿度 < 68 & 季節 is 春 or 冬 4%
5 4176 when 気温 < 12.3 & 季節 is 秋 14%
28 4626 when 気温 >= 12.3 & 湿度 is 69 to 85 & 風速 >= 12 8%
60 4966 when 気温 is 12.3 to 17.1 & 湿度 < 69 & 月 < 9 6%
29 5644 when 気温 >= 12.3 & 湿度 is 69 to 85 & 風速 < 12 10%
61 5885 when 気温 >= 17.1 & 湿度 < 69 & 月 < 9 24%
31 6615 when 気温 >= 12.3 & 湿度 < 69 & 月 >= 9 7%

気温が12.3℃以上、湿度が69%未満、9月より後のときにレンタル数が最大になる

d2 <- read.csv('https://stats.dip.jp/01_ds/data/iris.csv')
DT::datatable(d2,options = list(pageLength = 5))
tree4 <- rpart(Species ~ Sepal.Length + Sepal.Width + Petal.Length + Petal.Width,
               data = d2, method = 'class', cp = 0.005)
rpart.plot(tree4, type = 5)

rpart.rules(tree4, cover = T)
rpart.plot(tree4, branch.type = 5)

printcp(tree4)
## 
## 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   1.19 0.049592
## 2 0.440      1      0.50   0.67 0.060888
## 3 0.005      2      0.06   0.08 0.027520
plotcp(tree4)

tree5 <- prune(tree4, cp = 0.005)
rpart.plot(tree5, branch.type = 5)

kable(rpart.rules(tree5,cover = T))
Species seto vers virg cover
2 setosa [1.00 .00 .00] when Petal.Length < 2.5 33%
6 versicolor [ .00 .91 .09] when Petal.Length >= 2.5 & Petal.Width < 1.8 36%
7 virginica [ .00 .02 .98] when Petal.Length >= 2.5 & Petal.Width >= 1.8 31% 
d.new <- data.frame(Sepal.Length = 4.0,
                    Sepal.Width = 3.0,
                    Petal.Length = 3.0,
                    Petal.Width = 1.0
                    )
rpart.predict(tree4, newdata = d.new)
##   setosa versicolor  virginica
## 1      0  0.9074074 0.09259259

予測の結果、アイリスの種類は90%以上の確率でversicolorである