說明

為了比較不同的分類器，我們通過將多種分類演算法採用ipred包的erroreset函式進行10折交叉驗證，來證明整合分類器是否比單一決策樹分類效果更優。

操作

仍然使用telecom churn的資料集作為輸入資料來源來完成對不再分類器錯分率的評估。
bagging模型的錯分率方法如下：

churn.bagging = errorest(churn ~ .,data = trainset,model = bagging)
churn.bagging

Call:
errorest.data.frame(formula = churn ~ ., data = trainset
 
, model = bagging)

     10-fold cross-validation estimator of misclassification error 

Misclassification error:  0.0549 

boosting模型的錯分率評估方法如下：

churn.boosting

Call:
errorest.data.frame(formula = churn ~ ., data = trainset, model = ada)

     10-fold cross-validation estimator of misclassification error 

Misclassification
 
 error:  0.0479 

評估隨機森林的錯分率：

churn.randomforest = errorest(churn ~ .,data = trainset,model = randomForest)
churn.randomforest

Call:
errorest.data.frame(formula = churn ~ ., data = trainset, model = randomForest)

     10-fold cross-validation estimator of misclassification error 

Misclassification
 
 error:  0.0518 

呼叫churn.predict 對測試資料集進行分類預測，並對單棵決策樹的錯分率進行評估：

churn.predict1 = function(object,newdata){predict(object,newdata = newdata,type = "class")}
> churn.tree = errorest(churn ~ .,data = trainset,model = rpart,predict = churn.predict1)
> churn.tree

Call:
errorest.data.frame(formula = churn ~ ., data = trainset, model = rpart, 
    predict = churn.predict1)

     10-fold cross-validation estimator of misclassification error 

Misclassification error:  0.0648 

原理

本節使用ipred包中的errorest函式對boosting,bagging,隨機森林,以及單顆決策分類樹四種分類器的錯分率進行了評估。errorest函對每種分類器都執行10折交叉驗證，然後計算分類模型的錯分率，從中可以看出boosting的方法錯分率最低，然後依次是隨機森林、bagging,而單顆決策樹的效能是最差的。