Je le reconnais，les deux derniers morceauxétaientcostauds！ Je suispeut-êtrerentrétrop dans lesdétails。 倒入单元杯，我要集中精力！
最高法院常务法官联合法庭（前卫司法行政官）。
Vous vous en doutez，nous allons utiliser des“ Trees ”，以及适用于任何方法的分类和回归树（CART） 。
Pourquoi une Nouvelle methode？
Pourquoi ne passe limiteràune gression logisticique？ Dans unerégressionlogisticique，lesrésultatssont engénéralpeuinterprétables：系数不存在变量和变量，主要目的是简化注释。 Avec laméthode的CART， Lesrésultatssont beaucoup 以及expliquer等的简单性和前提条件是，可能会发生 linéaireentre la sortie et lesentrées的关系 ，而auce que nous avons fait jusquelà的冲突。
CART —分类树和回归树
倒入法治法院的指导原则。 Est-ce qu’il va拒绝器（= 1）确认者是否正确（= 0）？
例如，请在rien de tel qu’un的Arber et laméthodeCART商店中倒酒。 Prenons lesdonnéesci-dessous：
Apriori，在linéaireentre X et Y.的关系评估中。
常见问题解答是例外，是一项非常出色的实践。 Avec le Split 1，ilpréditrouge（sur la gauche）。 斯普利特2号大街和斯普利特3号大街，斯普利特格里斯。 Vous avez compris l’idée，非？ Noévenons deréalisernotremodèle。 Affichons-le sous forme d’arbre：
查特·德·乌尔德的亲戚和条件的继承人，《刑法》的永久性原则。
Mais pourquoi dans l’exempleprécédent，avons-nous choisi que 3 splits？ Pourquoi pas plus？ Pourquoi pas moins吗？
特雷斯·邦恩（Trèsbonne）的问题！ 恩·R ················································································· Encore une fois，d’équilibre问题：
- 过度拟合和复杂络合剂的快速化
- s’il n’y en a pas assez，lemodèlesera trop s la et et laprécisiondécevante
##得到一些R
普通法通行证通行证：
stevens = read.csv("stevens.csv")
str(stevens)
不要发表意见：
分割我们的数据
Commeprécédemment，nous allonsgénérerdeux数据集：测试和测试：
Nous allons avoir besoin d’un paquetsupplémenaire： rpart 。 安装install.packages("rpart") ： install.packages("rpart")
Puis，nous pouvons construire notremodèle：
StevensTree= rpart(Reverse ~ Circuit + Issue + Petitioner + Respondent + LowerCourt + Unconst, data=Train, method="class", minbucket=25)
回归法律和逻辑后的模棱两可。 倒入辅助设备，命令工具prp(StevensTree) ：
方便，n’est-ce pas？ Mais surtout，beaucoup以及简单的qu’une gression et et sessésééééééééçéçééééééééééééééééééééné（détedans leproblème相当，请确保一切！）。
让我们预言
巴黎圣母院密码：
PredictCart = predict(StevensTree, newdata=Test, type="class")
table(test$Reverse, PredictCart)
巴黎圣母院模型(41 + 71)/(41 + 36 + 22 + 71) = 0.6588 65.9％。
回归模型后的预测精度为66.5％，而基线模型 （分类后加上后继的概率）约为54.7％
巴黎圣母院模型与功效模型基线以及后勤保障后勤保障。 首席辩护律师Dans soninterprétabilité （注意， mas masculin non-reconnu par Larousse） 。
＃随机森林
倒入CART的“精益求精”杂志，并发明一项发明：《 随机森林》 。
最简单的方法是：在Notproproblème街上玩耍，并在随随便便投票的选民查库尔·德·阿尔伯雷斯·拉·科雷蒂·普雷迪尔。
往阿尔伯雷河畔查尔·德·德·埃斯特雷纳·德·科普·阿尔伯特·阿尔贝雷·德·阿尔贝雷特
例如，在5个sos-embles中，notre构成的套子：1-2–3–4–5。 最高级的综合性博物馆：24521。优秀的综合性公寓：23513。套房…套房。 香格里拉突袭者之声再加上重要的诺贝尔之声大选。
Néanmoinslemodèlese complexifie et a besoin d’un peu plus de resourcespourêtregénéré。
##得到一些R
En R，实用程序可用于 RandomForest randomForest 。 巴黎圣母院模型：
StevensForest = randomForest(Reverse ~ Circuit + Issue + Petitioner + Respondent + LowerCourt + Unconst, data=Train, nodesize=25, ntree=200)
倒入莫代尔，200阿尔布斯！ Çaestestécolo！
C’est l’heure desprédictions：
PredictForest = predict(StevensForest, newdata=Test)
table(Test$Reverse, PredictForest)
依依关系混淆矩阵 ：
(40 + 74)/(40 + 37 + 19 + 74) = 0.671观察数(40 + 74)/(40 + 37 + 19 + 74) = 0.671 ，占67.1％，这是基于自来水模型的。
＃K折交叉验证
您可以在[Nous l’avons vu plus haut]上倒入CART nous minbucket 。 迈斯评论放任？ 评论prendre la valeur la plusadéquatepour obtenir lemodèlele plusprécis吗？
倒入c， 交叉使用验证 。
法语国家高级培训班 （第5课），法治巴黎和高级党派：
派对套房等：
一个特别的纪念活动，示范参数活动特别小组观察员：
Nous nous rendons可以完成au risque de chuter的所有参数设置。 De lamêmemanière，il ne doitpasêtretrop petit。 可以在折叠上进行运动，并进行观察：
最佳价格6。
复杂度参数和估计值
##得到一些R
倒入calc ce cp en R，nous installons deux nouveaux paquets： caret et e1071 。 紧急情况指挥部现场调查：
numFolds = trainControl(method="cv", number=10)
cpGrid = expand.grid(.cp=seq(0.01, 0.5, 0.01))
Ici，nousdéfinissonscombien de folds nous voulons：10。Puis nousdéfinissonsles valeurs de cp que nous souhaitons测试器：de 0.01à0.5 avec un pas de 0.01。
Nous passons doncànotre 交叉验证 ：
train(Reverse ~ Circuit + Issue + Petitioner + Respondent + LowerCourt + Unconst, data=Train, method="rpart", trControl=numFolds, tuneGrid=cpGrid)
暂无报名资格 Vous devriez voir装置套件：
The final value used for the model was cp = 0.18 .
维护人员，购物车型号：
StevensTreeCV = rpart(Reverse ~ Circuit + Issue + Petitioner + Respondent + LowerCourt + Unconst, data=Train, method="class", cp=0.18)
影响原则：
PredictCV = predict(StevensTreeCV, newdata=Test, type="class")
关于维护者Notre 混淆矩阵 ：
普通模范量的76.4％，高级模范量的65.9％对比
Avec la Cross-Validation，有关参数的保证。
