R言語のCARTアルゴリズムとC4.5アルゴリズム（決定木）
R Language Cart Algorithm
WeChatに注意してください：Xiaocheng Online
CSDNブログをフォローする：ChengZhiweiのブログ
Rバージョン：3.4.4
最新のR公式ウェブサイトはmvpartパッケージをキャンセルしました。必要に応じて、メッセージを残すか、WeChatを追加できます。 R3.6.1を使用して、このパッケージが使用できないことを示しています。
また、Java環境をインストールし、jdkをダウンロードして、環境変数を構成する必要があります。
draw.tree関数：樹形図を描く
J48関数：C4.5アルゴリズムを実装する
maptreeパッケージ：draw.tree関数を提供します
mvpartパッケージ：データセットcar.test.frameを提供します
post関数：rpart（）の結果のデモグラフを描画します
prune.rpart（）：rpart（）の結果のプルーニング
rpartパッケージ：関数rpart（）、prune.rpart（）、post（）を提供します
rpart.plotパッケージは、決定を行うときにrpart.plot関数を提供します
RWekaパッケージ：関数J48を提供します
サンプリングパッケージ：層化サンプリングのための層関数
＃作業パスを設定する
> setwd（ 'G：\ R言語\ジュニア年の後半\データマイニング：R言語戦闘\'）
警告メッセージ：
ファイル「.RData」のマジックナンバーは「RDX3」です
2より前の保存バージョンの使用は非推奨です
>ライブラリ（mvpart）
> data（ 'car.test.frame'）
> head（car.test.frame）
価格国信頼性マイレージタイプ重量表示HP
イーグルサミット48895 USA 433小256097113
フォードエスコート47402 USA 233小234511490
フォードフェスティバ46319韓国437小18458136
ホンダシビック46635日本/米国532小226091 92
マツダプロテッジ45699日本532小2440113103
マーキュリートレーサー48672メキシコ426小228597 82
> car.test.frame $ Mileage<- 100*4.546/(1.6*car.test.frame$Mileage)
>名前（car.test.frame）<-c ('price', 'place of origin', 'reliability', 'fuel consumption', 'type', 'car weight', ' 'Engine power', 'Net horsepower')
> head（car.test.frame）
ââââââââââââââââââââââââââââââââââââââââââââââââââââââââââââââââââââ
イーグルサミット48895 USA 48.609848小256097113
フォードエスコート47402 USA 28.609848スモール234511490
フォードフェスティバ46319韓国47.679054小184581 63
ホンダシビック46635日本/米国58.878906小226091 92
マツダプロテッジ46599日本58.878906小2440113103
マーキュリートレーサー48672メキシコ410.927885小228597 82
#str（）関数は、データセットに60行8列があることを示しています
> str（car.test.frame）
'data.frame'：60obs。 8つの変数のうち：
$価格：int 8895 7402 6319 6635 6599 8672 7399 7254 9599 5866 .. ..
$起源：8レベルの係数「フランス」、「ドイツ」、..：8 8 5 4 3 6 4 5 3 3 .. ..
$信頼性：int 4 2 4 5 5 4 5 1 5 NA..。
$燃料消費量、8.61 8.61 7.68 8.88 8.88 .. ..
$のタイプ：6レベルの係数 'コンパクト'、 'ラージ'、..：4 4 4 4 4 4 4 4 4 4 .. ..
$車の重量：int 2560 2345 1845 2260 2440 2285 2275 2350 2295 1900 .. ..
$エンジン出力：int 97114 81 91113 97 97 98109 73 .. ..
$正味馬力：int 113 90 63 92103 82 90 74 90 73 .. ..
> summary（car.test.frame）
価格価格信頼性の起源信頼性燃料消費タイプのタイプ
ぼくの。 ：5866米国：26分：1,000分：7.679コンパクト：15
第1四半期：9932日本：19第1四半期：2.000第1四半期：10.523大：3
中央値：12216日本/米国：7中央値：3.000中央値：12.353中：13
平均：12616韓国：3平均：3.388平均：11.962小：13
第3四半期：14933ドイツ：2第3四半期：5.000第3四半期：13.530スポーティ：9
最大：24760フランス：1最大：5.000最大：15.785ヴァン：7
（その他）：2 NA：11
車両重量、エンジン出力、正味馬力、および正味馬力
ぼくの。 ：1845分：73.0分：63.0
第1四半期：2571第1四半期：113.8第1四半期：101.5
中央値：2885中央値：144.5中央値：111.5
平均：2901平均：152.1平均：122.3
第3四半期：3231第3四半期：180.0第3四半期：142.8
最大：3855最大：305.0最大：225.0
>＃2。データ前処理
>＃ここでは、燃料消費量変数に焦点を当てます。これは、次のモデリングプロセスでは、燃料消費量がターゲット変数として使用されるためです。
>＃離散変数と連続変数をそれぞれのターゲット変数として分類ツリーと回帰ツリーを構築するためのデータセット。変数のリストを追加することを検討してください-燃料消費量のグループ化、つまり燃料消費量変数の分割A： 11.6〜15.8オイル、B：9〜11.6オイル、C：7.7〜9オイル。これらは、A、B、Cの3つのレベルで因子変数になります。
> Group_Mileage = matrix（0,60,1）＃行列Group_Mileageを使用して新しい変数を格納します
> Group_Mileage [which（car.test.frame $ ''> = 11.6）] = 'A'
> Group_Mileage [which（car.test.frame $ 'オイル消費量'<= 9)] = 'C'
> Group_Mileage [which（Group_Mileage == 0）] = 'B'＃グループAおよびCにない燃料消費量のサンプルGroup_Mileage値をBとして取得します
> car.test.frame $ 'グループの燃料消費量' = Group_Mileage ##データセットに新しい変数グループの燃料消費量を追加します
> car.test.frame [1：10、c（4,9）]
燃料消費量グループ化された燃料消費量
イーグルサミット48.609848 C
フォードエスコート48.609848 C
フォードフェスティバ47.679054 C
ホンダシビック48.878906 C
マツダプロテクト48.878906 C
マーキュリートレーサー410.927885 B
日産セントラ48.609848 C
ポンティアックルマン410.147321 B
スバルロワイヤル411.365000 B
スバルジャスティ38.356618 C
> a =ラウンド（1/4 *合計（car.test.frame $ 'グループ燃料消費量' == 'A'））
> b =ラウンド（1/4 *合計（car.test.frame $ 'グループ燃料消費量' == 'B'））
> c =ラウンド（1/4 *合計（car.test.frame $ 'グループ燃料消費量' == 'C'））
>＃グループA、B、およびCから取得する必要があるテストセット内のサンプル数を計算し、それらをa、b、およびcとして記録します。
> abc
[1] 9
[1] 4
[1] 2
＃strata（）関数を使用したcar.test.frameの「グループ化された燃料消費量」変数の層化サンプリング
>ライブラリ（サンプリング）
> sub = strata（car.test.frame、stratanames = 'グループ燃料消費量'、サイズ= c（c、b、a）、メソッド= 'srswor'）
>サブ
グループの燃料消費量ID_unitProb Stratum
4 C 4 0.2222222 1
7 C 7 0.2222222 1
6 B 6 0.2500000 2
8 B 8 0.2500000 2
17 B 17 0.2500000 2
21 B 21 0.2500000 2
20 A 20 0.2571429 3
38 A 38 0.2571429 3
42 A 42 0.2571429 3
47 A 47 0.2571429 3
51 A 51 0.2571429 3
52 A 52 0.2571429 3
56 A 56 0.2571429 3
57 A 57 0.2571429 3
60 A 60 0.2571429 3
> Train_Car = car.test.frame [-sub $ ID_unit、]＃トレーニングセットを生成
> Test_Car = car.test.frame [sub $ ID_unit、]＃テストセットを生成
> nrow（Train_Car）nrow（Test_Car）＃トレーニングセットとテストセットの行数を表示します
[1] 45
[1] 15
> ################### ##################
>ライブラリ（ 'rpart'）
パッケージのロード：「rpart」
次のオブジェクトは_by _ ‘。GlobalEnv’でマスクされています。
car.test.frame
次のオブジェクトは「package：mvpart」からマスクされています。
meanvar、na.rpart、path.rpart、plotcp、post、printcp、prune、prune.rpart、
rpart、rpart.control、rsq.rpart、snip.rpart、xpred.rpart
>＃1。燃料消費変数に関する回帰ツリーを構築する-数値結果
＃数式メソッド= 'anova'に従ってトレーニングセットに回帰ツリーを構築します
> Formula_Car_Reg =燃料消費量〜価格+原産地+信頼性+タイプ+車両重量+エンジン出力+正味馬力#setモデル式
> rp_Car_Reg = rpart（formula_Car_Reg、Train_Car、method = 'anova'）
> print（rp_Car_Reg）＃回帰ツリーの基本情報をエクスポートします
n = 45
ノード）、分割、n、逸脱度、yval
*はターミナルノードを示します
1）ルート45 186.172800 11.845280
2）エンジン出力<134 19 32.628130 9.77205 *
3）エンジン出力> = 134 26 38.786870 13.210420
6）価格<11522 7 3.003835 11.877100 *
7）価格> = 11522 19 18.754370 13.701630 *
＃ノード階層に従って異なるインデントでリストし、各ノード情報にアスタリスク*を付けて、それがリーフノードであるかどうかを示します。
> printcp（rp_Car_Reg）＃回帰ツリーのCPテーブルをエクスポートします
回帰ツリー：
rpart（formula = Formula_Car_Reg、data = Train_Car、method = 'anova'）
ツリー構築で実際に使用される変数：
[1]エンジン出力価格
ルートノードエラー：186.17 / 45 = 4.1372
n = 45
CP nsplitrelエラーxerrorxstd
1 0.616405 0 1.00000 1.04401 0.182755
2 0.091467 1 0.38360 0.46353 0.075249
3 0.010000 2 0.29213 0.42704 0.063786
＃デシジョンツリーrp_Car_Regの詳細情報、変数の重要度変数の最も重要な程度、およびブランチの改善の改善度を取得します
> summary（rp_Car_Reg）
コール：
rpart（formula = Formula_Car_Reg、data = Train_Car、method = 'anova'）
n = 45
CP nsplitrelエラーxerrorxstd
1 0.61640483 0 1.0000000 1.0440087 0.18275540
2 0.09146694 1 0.3835952 0.4635295 0.07524941
3 0.01000000 2 0.2921282 0.4270404 0.06378585
さまざまな重要性
エンジン出力、車両重量、価格、正味馬力、タイプ、原産地
26 20 14 14 13 12
ノード番号1：45の観測値、複雑さparam = 0.6164048
平均= 11.84528、MSE = 4.137174
左の息子= 2（19 obs）右の息子= 3（26 obs）
一次分割：
エンジン出力<134 to the left, improve = 0.6164048, (0 missing)
価格<9446.5 to the left, improve = 0.5563919, (0 missing)
車両の重量<2567.5 to the left, improve = 0.5509927, (0 missing)
RRRLRRとしての分割のタイプ、改善= 0.4392540、（0が欠落）
正味馬力<109 to the left, improve = 0.3982844, (0 missing)
代理分割：
車両重量<2747.5 to the left, agreement = 0.889, adj = 0.737, (0 split)
正味馬力<109 To the left, agree = 0.800, adj = 0.526, (0 split)
RRRLRRとしての分割のタイプ、同意= 0.778、調整= 0.474、（0分割）
価格<9446.5 to the left, agree = 0.756, adj = 0.421, (0 split)
原産地はLLLLR-RRとして分割され、同意= 0.756、調整= 0.421、（0分割）
ノード番号2：19の観測
平均= 9.977205、MSE = 1.71727
ノード番号3：26の観測値、複雑さparam = 0.09146694
平均= 13.21042、MSE = 1.491803
左の息子= 6（7 obs）右の息子= 7（19 obs）
一次分割：
'価格'<11522 to the left, improve = 0.4390315, (0 missing)
車両の重量<3087.5 to the left, improve = 0.3622234, (0 missing)
LRL-RRとしての分割のタイプ、改善= 0.3121080、（0が欠落）
エンジン出力<185.5 to the left, improve = 0.1511378, (0 missing)
正味馬力<148.5 to the left, improve = 0.1511378, (0 missing)
代理分割：
車両重量<2757.5 to the left, agreement = 0.846, adj = 0.429, (0 split)
原産地分割--RLL-RR、同意= 0.808、調整= 0.286、（0分割）
LRR-RRとしての分割のタイプ、同意= 0.808、調整= 0.286、（0分割）
正味馬力<103.5 to the left, agree = 0.808, adj = 0.286, (0 split)
エンジン出力<142 to the left, agreement = 0.769, adj = 0.143, (0 split)
ノード番号6：7つの観測
平均= 11.8771、MSE = 0.4291194
ノード番号7：19の観測
平均= 13.70163、MSE = 0.9870723
>＃以下では、rpart（）関数のいくつかのパラメーター値minsplit = 10を変更して、ブランチに含まれるサンプルの最小数のminsplitをデフォルト値の20から10に変更し、新しい回帰を記録します。 rp_Car_Reg1としてのツリー。
> rp_Car_Reg1 = rpart（formula_Car_Reg、Train_Car、method = 'anova'、minsplit = 10）
> print（rp_Car_Reg1）＃回帰ツリーの基本情報をエクスポートします
n = 45
ノード）、分割、n、逸脱度、yval
*はターミナルノードを示します
1）ルート45 186.172800 11.845280
2）エンジン出力<134 19 32.628130 9.77205
4）価格<9504.5 8 2.649246 8.582824 *
5）価格> = 9504.5 11 3.096802 10.991590 *
3）エンジン出力> = 134 26 38.786870 13.210420
6）価格<11522 7 3.003835 11.877100 *
7）価格> = 11522 19 18.754370 13.701630
14）タイプ=コンパクト、ミディアム12 2.880021 13.081890 *
15）タイプ=ラージ、スポーティ、バン7 3.364168 14.764060 *
> printcp（rp_Car_Reg1）＃回帰ツリーのCPテーブルをエクスポートします
回帰ツリー：
rpart（formula = Formula_Car_Reg、data = Train_Car、method = 'anova'、
minsplit = 10）
ツリー構築で実際に使用される変数：
[1]エンジン出力価格タイプタイプ
ルートノードエラー：186.17 / 45 = 4.1372
n = 45
CP nsplitrelエラーxerrorxstd
1 0.616405 0 1.000000 1.04535 0.183175
2 0.144393 1 0.383595 0.46279 0.074342
3 0.091467 2 0.239202 0.36798 0.080715
4 0.067197 3 0.147735 0.38852 0.111059
5 0.010000 4 0.080538 0.32070 0.111356
#cp値は、モデルの適合度を改善し、重要でない分岐を切り取ることができるノードを示します
> rp_Car_Reg2 = rpart（formula_Car_Reg、Train_Car、method = 'anova'、cp = 0.1）
> ＃CP値をデフォルトの0.01から0.1に変更し、新しい回帰ツリーをrp_Car_Reg2として記録します。
> print（rp_Car_Reg2）＃回帰ツリーの基本情報をエクスポートします
n = 45
ノード）、分割、n、逸脱度、yval
*はターミナルノードを示します
1）ルート45 186.17280 11.845280
2）エンジン出力<134 19 32.62813 9.997205 *
3）エンジン出力> = 134 26 38.78687 13.210420 *
> printcp（rp_Car_Reg2）＃回帰ツリーのCPテーブルをエクスポートします
回帰ツリー：
rpart（formula = Formula_Car_Reg、data = Train_Car、method = 'anova'、
cp = 0.1）
ツリー構築で実際に使用される変数：
[1]エンジン出力
ルートノードエラー：186.17 / 45 = 4.1372
n = 45
CP nsplitrelエラーxerrorxstd
1 0.6164 0 1.0000 1.07992 0.189818
2 0.1000 1 0.3836 0.47707 0.078252
>＃剪定機能も同じ効果を達成できます
> rp_Car_Reg3 = prune.rpart（rp_Car_Reg、cp = 0.1）
> print（rp_Car_Reg3）
n = 45
ノード）、分割、n、逸脱度、yval
*はターミナルノードを示します
1）ルート45 186.17280 11.845280
2）エンジン出力<134 19 32.62813 9.997205 *
3）エンジン出力> = 134 26 38.78687 13.210420 *
> printcp（rp_Car_Reg3）
回帰ツリー：
rpart（formula = Formula_Car_Reg、data = Train_Car、method = 'anova'）
ツリー構築で実際に使用される変数：
[1]エンジン出力
ルートノードエラー：186.17 / 45 = 4.1372
n = 45
CP nsplitrelエラーxerrorxstd
1 0.6164 0 1.0000 1.04401 0.182755
2 0.1000 1 0.3836 0.46353 0.075249
>＃生成されたツリーのサイズは、深度関数maxdepthによっても制御できます。
> rp_Car_Reg4 = rpart（formula_Car_Reg、Train_Car、method = 'anova'、maxdepth = 1）
> print（rp_Car_Reg4）
n = 45
ノード）、分割、n、逸脱度、yval
*はターミナルノードを示します
1）ルート45 186.17280 11.845280
2）エンジン出力<134 19 32.62813 9.997205 *
3）エンジン出力> = 134 26 38.78687 13.210420 *
> printcp（rp_Car_Reg4）
回帰ツリー：
rpart（formula = Formula_Car_Reg、data = Train_Car、method = 'anova'、
maxdepth = 1）
ツリー構築で実際に使用される変数：
[1]エンジン出力
ルートノードエラー：186.17 / 45 = 4.1372
n = 45
CP nsplitrelエラーxerrorxstd
1 0.6164 0 1.0000 1.09740 0.191557
2 0.0100 1 0.3836 0.52651 0.084732
＃2。燃料消費変数の回帰ツリーを確立します-ツリーの結果
> rp_Car_Plot = rpart（formula_Car_Reg、Train_Car、method = 'anova'、minsplit = 10）
> #minsplitを10に設定し、新しい回帰ツリーをrp_Car_Plotとして記録します
> print（rp_Car_Plot）
n = 45
ノード）、分割、n、逸脱度、yval
*はターミナルノードを示します
1）ルート45 186.172800 11.845280
2）エンジン出力<134 19 32.628130 9.77205
4）価格<9504.5 8 2.649246 8.582824 *
5）価格> = 9504.5 11 3.096802 10.991590 *
3）エンジン出力> = 134 26 38.786870 13.210420
6）価格<11522 7 3.003835 11.877100 *
7）価格> = 11522 19 18.754370 13.701630
14）タイプ=コンパクト、ミディアム12 2.880021 13.081890 *
15）タイプ=ラージ、スポーティ、バン7 3.364168 14.764060 *
>ライブラリ（rpart.plot）
> rpart.plot（rp_Car_Plot）＃決定木を描画する
>＃数値結果と比較すると、ツリービューから、モデルのターゲット変数の予測プロセスをより明確に確認できます。
> rpart.plot（rp_Car_Plot、type = 4）＃typeパラメーターをtype 4に変更し、決定木を描画します
>＃各ブランチの値の範囲もマークされ、各ノードでの燃料消費量の予測値もマークされます
>＃ツリーのブランチが多い場合は、「ブランチ」パラメータのブランチ= 1を設定して、垂直ブランチの形状を決定することもできます。
> #Treeは、グラフィックスが占めるスペースを削減し、ツリー図のブランチが乱雑に表示されないようにします。これにより、表示と分析がより便利になります。
> rpart.plot（rp_Car_Plot、type = 4、branch = 1）
>＃パラメータfall.leavesはTRUEに設定されています。これは、すべてのリーフノードが一貫した方法でツリーの最下部に配置されることを意味します。
> rpart.plot（rp_Car_Plot、type = 4、branch = 1、fallen.leaves = TRUE）
>ライブラリ（マップツリー）
必要なプログラムパッケージをロードします：cluster
> draw.tree（rp_Car_Plot、col = rep（1,8）、nodeinfo = TRUE）＃draw.tree（）を使用してツリーを描画する
> plot（rp_Car_Plot、uniform = TRUE、main = 'plot：Regression TRUE'）
> text（rp_Car_Plot、use.n = TRUE、all = TRUE）＃plot（）で直接描画し、関連するテキスト情報を図に追加します
> post（rp_Car_Plot、file = ''）＃post（）関数を使用して決定木を描画します
>＃3。グループ化された燃料消費変数の分類ツリーを確立します
> Formula_Car_Cla =パッケージの燃料消費量〜価格+原産地+信頼性+タイプ+車両重量+エンジン出力+正味馬力
> rp_Car_Cla = rpart（formula_Car_Cla、Train_Car、method = 'class'、minsplit = 5）
>＃式formula_Car_Claに従って、トレーニングセットの分類ツリーを作成します
>印刷（rp_Car_Cla）
n = 45
node）、split、n、loss、yval、（yprob）
*はターミナルノードを示します
1）ルート45 19 A（0.57777778 0.26666667 0.15555556）
2）エンジン出力> = 134 26 2 A（0.92307692 0.07692308 0.00000000）
4）価格> = 11222 20 0 A（1.00000000 0.00000000 0.00000000）*
5）価格<11222 6 2 A (0.66666667 0.33333333 0.00000000)
10）エンジン出力<152 4 0 A (1.00000000 0.00000000 0.00000000) *
11）エンジン出力> = 152 2 0 B（0.00000000 1.00000000 0.00000000）*
3）エンジン出力<134 19 9 B (0.10526316 0.52631579 0.36842105)
6）価格> = 9504.5 11 2 B（0.18181818 0.81818182 0.00000000）*
7）価格<9504.5 8 1 C (0.00000000 0.12500000 0.87500000) *
>＃上記の出力は回帰ツリーに似ていますが、唯一の違いは、各ノードの予測値が特定の値ではなく、A、B、C、つまり燃料消費量の3つのグループの値レベルであるということです。
> rpart.plot（rp_Car_Cla、type = 4、fallen.leaves = TRUE）＃rp_Car_Claの分類ツリーを描画します
＃エンジンが134を超え、価格が10,000米ドルを超える車は、燃料消費量の多いカテゴリAに属し、左端のブランチはカテゴリC、右端のブランチに属します。
＃4。テストセットTest_Carのターゲット変数を予測します
> pre_Car_Cla = predict（rp_Car_Cla、Test_Car、type = 'class'）
>＃テストセットTest_Carの観測サンプルでグループ化された燃料消費指数を予測します
> pre_Car_Cla”””””””””””””
ホンダシビック4日産セントラ4マーキュリートレーサー4ポンティアックルマン4
C C C C
フォードプローブプリマスレーザー日産240SX4アキュラレジェンドV6
B B A A
イーグルプレミアV6日産マキシマV6ビュイックルセーバーV6シボレーカプリスV8
A A A A
フォードエアロスターV6マツダMPVV6日産バン4
A A A
レベル：A B C
>（p = sum（as.numeric（pre_Car_Cla！= Test_Car $ 'Group Fuel Consumption'））/ nrow（Test_Car））＃エラー率を計算する
[1] 0.1333333
>テーブル（Test_Car $ 'グループ燃料消費量'、pre_Car_Cla）
pre_Car_Cla
A B C
A 9 0 0
B 0 2 2
C 0 0 2
######################## C4.5アプリケーション##################
>＃C4.5アルゴリズムは離散変数、つまり分類木を構築する場合にのみ適用できるため、ここでは引き続き上記のデータセットを使用してオイルをグループ化します。
>＃ツリーを構築するためのインジケーターの消費。 C4.5アルゴリズムの実装に使用されるコア関数J48（）は中国語の認識に完全ではないため、元の関数を使用することに注意してください。
>＃英語のデータセットの変数名。 ＃ '価格（価格）'、原産地（国）、信頼性（信頼性）、マイル（走行距離）、タイプ（タイプ）、
> #Car重量（重量）、エンジン出力（Disp。）、および正味馬力（HP）、グループ燃料消費量（Oil_Consumption）。
>＃install.packages（ 'rJava'）
>ライブラリ（RWeka）
> names（Train_Car）= c（ 'Price'、 'Country'、 'Reliability'、 'Mileage'、 'Type'、 'Weight'、 'Disp。'、
+ 'HP'、 'Oil_Consumption'）＃英語の変数名に変更
> Train_Car $ Oil_Consumption = as.factor（Train_Car $ Oil_Consumption）
>＃グループ化された変数タイプを因子タイプに変更して、J48（）関数を認識可能にします
> Formula = Oil_Consumption〜Price + Country + Reliability + Type + Weight + Disp。+ HP
> C45_0 = J48（式、Train_Car）＃デフォルトのパラメーターの下で、分類ツリーモデルC45_0を構築します
> C45_0
J48剪定木
------------------
価格<= 9410: C (7.0/1.0)
価格> 9410
|アベイルズ。<= 132: B (6.0)
|アベイルズ。 > 132
| |価格<= 10989
| | |信頼性<= 1: B (2.0)
| | |信頼性> 1：A（4.0 / 1.0）
| |価格> 10989：A（17.0）
葉の数：5
木のサイズ：9
>＃合計10個のリーフノード、15個のノード、最後の括弧内の数字は、このブランチに分類される観測サンプルの数を示し、
>＃いくつかは誤分類されています。
>要約（C45_0）
===まとめ===
正しく分類されたインスタンス3494.4444％
誤って分類されたインスタンス25.5556％
カッパ統計0.9045
平均絶対誤差0.0595
二乗平均平方根誤差0.1725
相対絶対誤差15.067％
ルート相対二乗誤差39.0042％
インスタンスの総数36
===混同行列===
a b c<-- classified as
20 0 0 | a = A
1 8 1 | b = B
0 0 6 | c = C
>＃次に、制御パラメーターを使用して分類ツリーの生成プロセスを制御します。パラメータM、つまり、最小の観測サンプルが各リーフノードに設定されます
>＃木を剪定する量。 Mのデフォルト値は2であることがわかっていますが、小さなサンプルサイズの一部を差し引くために、その値は3になっています
>＃ブランチ。
> C45_1 = J48（式、Train_Car、control = Weka_control（M = 3））
>＃制御パラメーターのM値を3とし、分類木モデルC45_1を作成します。
> C45_1
J48剪定木
------------------
価格<= 9410: C (7.0/1.0)
価格> 9410
|アベイルズ。<= 132: B (6.0)
|アベイルズ。 > 132：A（23.0 / 3.0）
葉の数：3
木のサイズ：5
>プロット（C45_1）âââââââ＆centâ＆centâ＆cent＃C45_1の分類木を描画します
