Submit Search
Upload
Benharratharijtp4 arbre de décision
•
1 like
•
2,103 views
ARIJ BenHarrath
Follow
Les Arbres de Décision
Read less
Read more
Data & Analytics
Report
Share
Report
Share
1 of 27
Download now
Download to read offline
Recommended
Arbre de décision
Arbre de décision
Yassine Badri
Data mining - Segmentation(k-means, cah)
Data mining - Segmentation(k-means, cah)
Mohamed Heny SELMI
Data mining - Associativité
Data mining - Associativité
Mohamed Heny SELMI
Data mining - ACP Analyse en Composantes Principales
Data mining - ACP Analyse en Composantes Principales
Mohamed Heny SELMI
Analyse en Composantes Principales
Analyse en Composantes Principales
Jaouad Dabounou
Travaux dirigés 1: algorithme & structures de données (corrigés)
Travaux dirigés 1: algorithme & structures de données (corrigés)
Ines Ouaz
exercices business intelligence
exercices business intelligence
Yassine Badri
Apprentissage supervisé.pdf
Apprentissage supervisé.pdf
hanamettali
Recommended
Arbre de décision
Arbre de décision
Yassine Badri
Data mining - Segmentation(k-means, cah)
Data mining - Segmentation(k-means, cah)
Mohamed Heny SELMI
Data mining - Associativité
Data mining - Associativité
Mohamed Heny SELMI
Data mining - ACP Analyse en Composantes Principales
Data mining - ACP Analyse en Composantes Principales
Mohamed Heny SELMI
Analyse en Composantes Principales
Analyse en Composantes Principales
Jaouad Dabounou
Travaux dirigés 1: algorithme & structures de données (corrigés)
Travaux dirigés 1: algorithme & structures de données (corrigés)
Ines Ouaz
exercices business intelligence
exercices business intelligence
Yassine Badri
Apprentissage supervisé.pdf
Apprentissage supervisé.pdf
hanamettali
Merise+ +exercices+mcd+-+corrigés
Merise+ +exercices+mcd+-+corrigés
Majid CHADAD
Cours complet Base de donne Bac
Cours complet Base de donne Bac
Amri Ossama
Rapport de Mémoire Master Recherche
Rapport de Mémoire Master Recherche
Rouâa Ben Hammouda
Data mining - Introduction générale
Data mining - Introduction générale
Mohamed Heny SELMI
Projet BI - 2 - Conception base de données
Projet BI - 2 - Conception base de données
Jean-Marc Dupont
Formation stm32
Formation stm32
Hamza RAJHI
PFE BI - INPT
PFE BI - INPT
riyadadva
Rapport de stage: mastère ISIC (Business Intelligence)
Rapport de stage: mastère ISIC (Business Intelligence)
Ines Ben Kahla
gestion de magasin vente matériels informatique
gestion de magasin vente matériels informatique
Oussama Yoshiki
TP2-UML-Correction
TP2-UML-Correction
Lilia Sfaxi
Rapport de projet de fin d'année
Rapport de projet de fin d'année
kaies Labiedh
BigData_TP5 : Neo4J
BigData_TP5 : Neo4J
Lilia Sfaxi
Introduction to Machine learning
Introduction to Machine learning
Quentin Ambard
La classification des Emails utilisant le modèle MapReduce
La classification des Emails utilisant le modèle MapReduce
Nour El Houda Megherbi
La Gestion des Conflits
La Gestion des Conflits
Imane SBAI
Introduction à la BIG DATA et l'Intelligence Artificielle
Introduction à la BIG DATA et l'Intelligence Artificielle
Medhi Corneille Famibelle*
Rapport PFE : Développement D'une application de gestion des cartes de fidéli...
Rapport PFE : Développement D'une application de gestion des cartes de fidéli...
Riadh K.
Introduction au Data Mining et Méthodes Statistiques
Introduction au Data Mining et Méthodes Statistiques
Giorgio Pauletto
Présentation intelligence émotionnel
Présentation intelligence émotionnel
Yasmine Tounsi
Arbre de décision.pdf
Arbre de décision.pdf
imane26
Programmation par contraintes
Programmation par contraintes
Orochi Krizalid
Cours algorithmique et complexite complet
Cours algorithmique et complexite complet
Chahrawoods Dmz
More Related Content
What's hot
Merise+ +exercices+mcd+-+corrigés
Merise+ +exercices+mcd+-+corrigés
Majid CHADAD
Cours complet Base de donne Bac
Cours complet Base de donne Bac
Amri Ossama
Rapport de Mémoire Master Recherche
Rapport de Mémoire Master Recherche
Rouâa Ben Hammouda
Data mining - Introduction générale
Data mining - Introduction générale
Mohamed Heny SELMI
Projet BI - 2 - Conception base de données
Projet BI - 2 - Conception base de données
Jean-Marc Dupont
Formation stm32
Formation stm32
Hamza RAJHI
PFE BI - INPT
PFE BI - INPT
riyadadva
Rapport de stage: mastère ISIC (Business Intelligence)
Rapport de stage: mastère ISIC (Business Intelligence)
Ines Ben Kahla
gestion de magasin vente matériels informatique
gestion de magasin vente matériels informatique
Oussama Yoshiki
TP2-UML-Correction
TP2-UML-Correction
Lilia Sfaxi
Rapport de projet de fin d'année
Rapport de projet de fin d'année
kaies Labiedh
BigData_TP5 : Neo4J
BigData_TP5 : Neo4J
Lilia Sfaxi
Introduction to Machine learning
Introduction to Machine learning
Quentin Ambard
La classification des Emails utilisant le modèle MapReduce
La classification des Emails utilisant le modèle MapReduce
Nour El Houda Megherbi
La Gestion des Conflits
La Gestion des Conflits
Imane SBAI
Introduction à la BIG DATA et l'Intelligence Artificielle
Introduction à la BIG DATA et l'Intelligence Artificielle
Medhi Corneille Famibelle*
Rapport PFE : Développement D'une application de gestion des cartes de fidéli...
Rapport PFE : Développement D'une application de gestion des cartes de fidéli...
Riadh K.
Introduction au Data Mining et Méthodes Statistiques
Introduction au Data Mining et Méthodes Statistiques
Giorgio Pauletto
Présentation intelligence émotionnel
Présentation intelligence émotionnel
Yasmine Tounsi
Arbre de décision.pdf
Arbre de décision.pdf
imane26
What's hot
(20)
Merise+ +exercices+mcd+-+corrigés
Merise+ +exercices+mcd+-+corrigés
Cours complet Base de donne Bac
Cours complet Base de donne Bac
Rapport de Mémoire Master Recherche
Rapport de Mémoire Master Recherche
Data mining - Introduction générale
Data mining - Introduction générale
Projet BI - 2 - Conception base de données
Projet BI - 2 - Conception base de données
Formation stm32
Formation stm32
PFE BI - INPT
PFE BI - INPT
Rapport de stage: mastère ISIC (Business Intelligence)
Rapport de stage: mastère ISIC (Business Intelligence)
gestion de magasin vente matériels informatique
gestion de magasin vente matériels informatique
TP2-UML-Correction
TP2-UML-Correction
Rapport de projet de fin d'année
Rapport de projet de fin d'année
BigData_TP5 : Neo4J
BigData_TP5 : Neo4J
Introduction to Machine learning
Introduction to Machine learning
La classification des Emails utilisant le modèle MapReduce
La classification des Emails utilisant le modèle MapReduce
La Gestion des Conflits
La Gestion des Conflits
Introduction à la BIG DATA et l'Intelligence Artificielle
Introduction à la BIG DATA et l'Intelligence Artificielle
Rapport PFE : Développement D'une application de gestion des cartes de fidéli...
Rapport PFE : Développement D'une application de gestion des cartes de fidéli...
Introduction au Data Mining et Méthodes Statistiques
Introduction au Data Mining et Méthodes Statistiques
Présentation intelligence émotionnel
Présentation intelligence émotionnel
Arbre de décision.pdf
Arbre de décision.pdf
Viewers also liked
Programmation par contraintes
Programmation par contraintes
Orochi Krizalid
Cours algorithmique et complexite complet
Cours algorithmique et complexite complet
Chahrawoods Dmz
Chapitre 2 complexité
Chapitre 2 complexité
Sana Aroussi
Cours d'initiation à Photoshop
Cours d'initiation à Photoshop
aymenli
exercices base de données - sql
exercices base de données - sql
Yassine Badri
Data mining - Classification - arbres de décision
Data mining - Classification - arbres de décision
Mohamed Heny SELMI
Exercice arbre de décision
Exercice arbre de décision
Yassine Badri
Exercices corrigés
Exercices corrigés
hadhoum
Viewers also liked
(8)
Programmation par contraintes
Programmation par contraintes
Cours algorithmique et complexite complet
Cours algorithmique et complexite complet
Chapitre 2 complexité
Chapitre 2 complexité
Cours d'initiation à Photoshop
Cours d'initiation à Photoshop
exercices base de données - sql
exercices base de données - sql
Data mining - Classification - arbres de décision
Data mining - Classification - arbres de décision
Exercice arbre de décision
Exercice arbre de décision
Exercices corrigés
Exercices corrigés
Similar to Benharratharijtp4 arbre de décision
arbres de decision.ppt
arbres de decision.ppt
Jihane Elârrouchi
Cours algorithmique et complexite complet
Cours algorithmique et complexite complet
Chahrawoods Dmz
Cours algorithmique et complexite
Cours algorithmique et complexite
Saddem Chikh
ALT.NET Modéliser Parallèle avec C# 4.0
ALT.NET Modéliser Parallèle avec C# 4.0
Bruno Boucard
Data Mining (Partie 3).pdf
Data Mining (Partie 3).pdf
OuailChoukhairi
Intégration des données avec Talend ETL
Intégration des données avec Talend ETL
Lilia Sfaxi
Asd1
Asd1
Menassel Yahia
Cours ML et Deep Learning M2 2022-2023.pdf
Cours ML et Deep Learning M2 2022-2023.pdf
UrbainNgatoua
Benharratharijtp2 classification
Benharratharijtp2 classification
ARIJ BenHarrath
Etude du dimensionnement du divergent RL10-B2
Etude du dimensionnement du divergent RL10-B2
Daniel de Santiago Casado
Corrigé TP NoSQL MongoDB (5).pdf
Corrigé TP NoSQL MongoDB (5).pdf
OumaimaZiat
Salesforce Einstein analytics - Formation sur les-bases - By iMalka
Salesforce Einstein analytics - Formation sur les-bases - By iMalka
Ilan Malka
Projet d'Analyse Numérique
Projet d'Analyse Numérique
YassineElaroui2
Tutoriel de traitement d'images CCD cométaire avec Iris
Tutoriel de traitement d'images CCD cométaire avec Iris
Didier Walliang
3 vb reference
3 vb reference
kkatia31
1 installation-exchange
1 installation-exchange
loucif abidi
S17 adressez vos besoins complexes de reporting avec db2 web query
S17 adressez vos besoins complexes de reporting avec db2 web query
Gautier DUMAS
Xavier Milaud - Techniques d'arbres de classification et de régression
Xavier Milaud - Techniques d'arbres de classification et de régression
Kezhan SHI
Modèles numériques coûteux : de la quantification des incertitudes la planifi...
Modèles numériques coûteux : de la quantification des incertitudes la planifi...
Julien Bect
Ben harrath arijtp3 les règles d'association
Ben harrath arijtp3 les règles d'association
ARIJ BenHarrath
Similar to Benharratharijtp4 arbre de décision
(20)
arbres de decision.ppt
arbres de decision.ppt
Cours algorithmique et complexite complet
Cours algorithmique et complexite complet
Cours algorithmique et complexite
Cours algorithmique et complexite
ALT.NET Modéliser Parallèle avec C# 4.0
ALT.NET Modéliser Parallèle avec C# 4.0
Data Mining (Partie 3).pdf
Data Mining (Partie 3).pdf
Intégration des données avec Talend ETL
Intégration des données avec Talend ETL
Asd1
Asd1
Cours ML et Deep Learning M2 2022-2023.pdf
Cours ML et Deep Learning M2 2022-2023.pdf
Benharratharijtp2 classification
Benharratharijtp2 classification
Etude du dimensionnement du divergent RL10-B2
Etude du dimensionnement du divergent RL10-B2
Corrigé TP NoSQL MongoDB (5).pdf
Corrigé TP NoSQL MongoDB (5).pdf
Salesforce Einstein analytics - Formation sur les-bases - By iMalka
Salesforce Einstein analytics - Formation sur les-bases - By iMalka
Projet d'Analyse Numérique
Projet d'Analyse Numérique
Tutoriel de traitement d'images CCD cométaire avec Iris
Tutoriel de traitement d'images CCD cométaire avec Iris
3 vb reference
3 vb reference
1 installation-exchange
1 installation-exchange
S17 adressez vos besoins complexes de reporting avec db2 web query
S17 adressez vos besoins complexes de reporting avec db2 web query
Xavier Milaud - Techniques d'arbres de classification et de régression
Xavier Milaud - Techniques d'arbres de classification et de régression
Modèles numériques coûteux : de la quantification des incertitudes la planifi...
Modèles numériques coûteux : de la quantification des incertitudes la planifi...
Ben harrath arijtp3 les règles d'association
Ben harrath arijtp3 les règles d'association
Benharratharijtp4 arbre de décision
1.
Data Mining 1 Mohamed Heny
SELMI© data-mining@esprit.tn ESPRIT 2013-2014 TP n°4 : Les Arbres de Décision Ben harrath arij 4INFINI Note Ce TP est à rendre en fin de séance. Objectifs : Comprendre l’Apprentissage Supervisé à travers la construction des Arbres de Décisions I. Construction d'un Arbre de Décision pour un « Jeu de Tennis» avec R Source : http://www.grappa.univ-lille3.fr/~ppreux/ensg/miashs/fouilleDeDonneesI/tp/arbres-de-decision/ Objectif : Construire un Arbre de Décision à partir de données climatiques, afin de prédire si on pourra jouer au Tennis ou non. 1. Chargement de la bibliothèque : Pour pouvoir construire des arbres de décision, on va utiliser la bibliothèque « rpart » de l'environnement R. Il faut tout d'abord la rendre accessible. Pour cela, on tape la commande suivante : 2. Importation de données : On commence par charger le jeu de données « Tennis1.txt ». Pour ce faire, placer cet entrepôt de données dans un data frame ‘Tennis’ : library (rpart) télécharger le package rpart « Partitionnement récursif pour les arbres de classification, régression et de survie » téééééééaa setwd("C:TP4”) tennis1<-read.table(file="tennis1.txt", row.names=1, header=T)
2.
Data Mining 2 Mohamed Heny
SELMI© data-mining@esprit.tn ESPRIT 2013-2014 La colonne « jouer » est la variable décisionnelle 3. Construction et Visualisation de l’arbre de décision : i. Les commandes suivantes permettent de construire l'arbre de décision. Tout d'abord, on doit spécifier quelques paramètres qui précisent comment l'arbre de décision doit être construit. On tape la commande suivante : La variable ad.tennis.cnt stocke les paramètres de l'algorithme. minsplit = 1 signifie que le nombre minimal d'exemples nécessaires à la création d'un nœud est 1. La valeur par défaut est 20. Comme le jeu de données contient moins de 20 exemples, utiliser la valeur par défaut ne produirait pas d'arbre du tout, juste une racine ! Le nom utilisé pour cette variable, ad.tennis.cnt suit la convention R : il indique qu'il s'agît d'un arbre de décision (préfixe ad), pour le jeu de tennis (tennis !) et qu'il s'agît des paramètres de contrôle (cnt) ; des points (.) séparent ces différentes informations. On va construire l'arbre de décision en indiquant : l'attribut qui représente la variable cible à prédire : ‘la classe : Jouer’ les attributs qui doivent être utilisés pour effectuer cette prédiction (pour l'instant, ce seront les 4 autres attributs : Ciel, Température, HumiditéetVent) l’entrepôt de données avec lequel on construit l'arbre : Tennis le nom de la variable qui contient les paramètres : control = ad.tennis.cnt ad.tennis.cnt<- rpart.control (minsplit = 1) ad.tennis<- rpart (Jouer ~ Ciel+ Température +Humidité + Vent, tennis1, control = ad.tennis.cnt)
3.
Data Mining 3 Mohamed Heny
SELMI© data-mining@esprit.tn ESPRIT 2013-2014 La représentation graphique des Arbres de Décision avec R a deux formes : Représentation Textuelle et Représentation Graphique. Concernant le premier type de visualisation, l’arbre est donné sous forme de lignes imbriquées dont chacune correspondant à une classe séparatrice. R distingue une variable séparatrice majoritaire (nœud feuille) des classes non majoritaires par le caractère « * » ii. Afficher le résultat de la construction sous forme de texte: iii. Afficher le résultat de la construction sous forme graphique : NB : on utilisera les deux commandes plot et text La décision commence en testant sur la température il y a 4 non et 0 oui la probabilité de cas non est 1 donc c’est une décision
4.
Data Mining 4 Mohamed Heny
SELMI© data-mining@esprit.tn ESPRIT 2013-2014 plot(ad.tennis) text(ad.tennis) Modalisation des décisions on remarque l’absence de la variable vent car elle n’est pas décisive plot (ad.tennis, branch=.2, uniform=T, compress=T, margin=.1) text (ad.tennis, all=T, use.n=T, fancy=T)
5.
Data Mining 5 Mohamed Heny
SELMI© data-mining@esprit.tn ESPRIT 2013-2014 printcp(ad.tennis) plotcp(ad.tennis) tracer les résultats de validation croisée et Affiche la table de cp pour objet rpart équipée. Ici, il semble que l'erreur relative est réduite au minimum pour un arbre de 5 nœuds. Nous reviendrons l'arbre élagué aux pruneaux et le cp associée à la taille de notre arbre désiré
6.
Data Mining 6 Mohamed Heny
SELMI© data-mining@esprit.tn ESPRIT 2013-2014 4. La prédiction de la classe d'une donnée par un arbre de décision i. La fonction predict() utilise un arbre de décision pour prédire la classe de nouvelles données. Elle prend en paramètres l'arbre et un data frame qui contient les données dont il faut prédire la classe. Pour prédire la classe des données du jeu d'exemples (avec lesquels on a construit l'arbre de décision), on tapera la commande : ii. Utilisez l'arbre pour donner une prédiction pour l’entrepôt de données « Tennis2.txt » tennis2<-read.table(file="tennis2.txt", row.names=1, header=T) tennis2 predict(ad.tennis,tennis2) Nous constatons que la prédiction utiliser à travers le model d’arbre de l’entrepôt tennis 1 a pu prédire les conditions de jouabilité dans l’entrepôt tennis 2 avec la même erreur distinguable précédemment c’est-à-dire lorsque l’humidité est élevé, le vent est fort, la température est basse la jouabilité dans la prédiction est supposé être valide.
7.
Data Mining 7 Mohamed Heny
SELMI© data-mining@esprit.tn ESPRIT 2013-2014 II. Construction d’un modèle de classement à partir d’un arbre de décision pour les demandes de crédits Objectif : Construire un Arbre de Décision à partir de données sur des clients d’une banque afin de prendre une décision concernant l’acceptation ou le refus d’une demande de crédit. La décision est décrite par une variable qualitative Decision, ayant trois modalités : accepted, tolerated, ou refused, ce dernier cas ne sera pas pris en considération lors de la prise de décision par le modèle construit 1. Chargement de la bibliothèque : Pour pouvoir construire des arbres de décision, on va utiliser la bibliothèque « rpart » de l'environnement R. Il faut tout d'abord la rendre accessible. Pour cela, on tape la commande suivante : 2. Importation de données : On commence par charger le jeu de données « ScoreData.xls». Pour ce faire, placer cet entrepôt de données dans un data frame ‘score’ : 4. Construction de l'arbre de décision : l'attribut qui représente la variable cible à prédire : ‘Decision’ les attributs qui doivent être utilisés pour effectuer cette prédiction (pour l'instant, ce seront tous les autres attributs : ‘.’) l’entrepôt de données avec lequel on construit l'arbre : score #chargement des données : échantillon d’apprentissage Library(xlsReadWrite) score.app<-read.xls(file=file.choose(),sheet=1) ad.score.cnt<- rpart.control (minsplit = 10) #importation de library Library(rpart)
8.
Data Mining 8 Mohamed Heny
SELMI© data-mining@esprit.tn ESPRIT 2013-2014 le nom de la variable qui contient les paramètres : control = ad.score.cnt La représentation graphique des Arbres de Décision avec R a deux formes : Représentation Textuelle et Représentation Graphique. Concernant le premier type de visualisation, l’arbre est donné sous forme de lignes imbriquées dont chacune correspondant à une classe séparatrice. R distingue une variable séparatrice majoritaire (nœud feuille) des classes non majoritaires par le caractère « * » Afficher le résultat de la construction sous forme de texte: Afficher le résultat de la construction sous forme graphique : NB : on utilisera les deux commandes plot et text ad.score<- rpart (Decision ~., score.app, control = ad.score.cnt) Résultat plot(ad.score) text(ad.score)
9.
Data Mining 9 Mohamed Heny
SELMI© data-mining@esprit.tn ESPRIT 2013-2014 4 La racine de neud d’erreur est 0.4664 0
10.
Data Mining 10 Mohamed Heny
SELMI© data-mining@esprit.tn ESPRIT 2013-2014 tracer les résultats de validation croisée Ici, il semble que l'erreur relative est réduite au minimum pour un arbre de 10 nœuds. Nous reviendrons l'arbre élagué aux pruneaux et le cp associée à la taille de notre arbre désiré 5. Evaluation de l’arbre de décision i. Prédiction sur le même échantillon La fonction predict() utilise un arbre de décision pour prédire la classe de nouvelles données. Elle prend en paramètres l'arbre et un data frame qui contient les données dont il faut prédire la classe. Pour prédire la classe des données du jeu d'exemples (avec lesquels on a construit l'arbre de décision), on tapera la commande : #prédiction sur le même échatillon pred.classe<- predict(ad.score,score.app,type="class") print(summary(pred.classe)) plot(pred.classe) Il s’agit de 44 accepted et82 Refused et 23 Torlerated
11.
Data Mining 11 Mohamed Heny
SELMI© data-mining@esprit.tn ESPRIT 2013-2014 Matrice de de Confusion (Table de Contingence) Cette matrice construit un tableau croisé entre la cible observée (Decision) et la prédiction du modèle (pred.classe) La table mc se comporte comme une matrice à 2 dimensions, on en déduit le taux d’erreur En déduire les pourcentages suivants : Les Classes de Prédiction Accepted Refused Tolerated Accepted 40 3 1 Refused 2 72 1 Tolerated 2 7 21 #matrice de confusion mc <- table(score.app$Decision,pred.classe) print(mc) plot(mc)
12.
Data Mining 12 Mohamed Heny
SELMI© data-mining@esprit.tn ESPRIT 2013-2014 ii. Calcul du taux de l’erreur : Calculer le taux d’erreur en appliquant la formule suivante : erreur = Somme des éléments hors diagonale principale / Nombre total des observations. iii. Utilisez l'arbre pour donner une prédiction pour l’échantillon du test iv. 6. La prédiction de la classe d'une donnée par un arbre de décision Prédiction sur un échantillon de test (2ème feuille du fichier ScoreData.xls) Utilisez l'arbre pour donner une prédiction pour l’échantillon de test 7. Modification des paramètres de construction de l’arbre : i. Décrire l’utilité de la fonction rpart.control : #taux d'erreur TauxErreur<- (mc[2,1]+mc[1,2])/sum(mc) score<-read.xls(file=file.choose(),sheet=2) > pred.classe<- predict(ad.score,score,type="class") Résultat et interprétation Dans la prédiction de l’échantillon test nous obtenons les différent cas ainsi que la décision prise au niveau de 3 différents résultats : accepté, refusé ou toléré. Ceci décidé à travers l’arbre de décision établi c’est-à-dire : ad.score. Il permet donc d’automatiser la prise d’accords, refus ou tolérance de crédit pour les différents clients. Il permet de contrôler les différents aspects en fonction d’une segmentation de nombre de lignes décrite par le paramètre minsplit et d’ajuster les modèles.
13.
Data Mining 13 Mohamed Heny
SELMI© data-mining@esprit.tn ESPRIT 2013-2014 ii. En fixant les paramètres suivants, donner le nouvel arbre de décision : Minsplit = taille minimale pour segmenter = 50 Minbucket = effectif d’admissibilité = 20 8. Utilisation du package « tree » : Paramètres d’apprentissage : nobs = nombre d’obs. dans l’éch. d’apprentissage ; mincut = effectif d’admissibilité, minsize = taille min. pour segmenter Apprentissage : classe vs. toutes les autres variables du data.frame control<- rpart.control( minsplit = 50 , minbucket = 20 ) Aad.score<- rpart (Decision ~., score.app, control = control) print(Aad.score) library (tree ) cnt<- tree.control(nobs=nrow(score.app), mincut=20, minsize=50) Arb<- tree(Decision ~ ., data=score.app,control=cnt) print(Arb)
14.
Data Mining 14 Mohamed Heny
SELMI© data-mining@esprit.tn ESPRIT 2013-2014 9. Utilisation du package « party » : Travail demandé : 1. Construire des modèles de prise décision sur les entrepôts de données : Faillite_entrep credit-german 2. Donner un rapport sur chaque modèle library(party) party <- ctree_control(minsplit=20,minbucket=10) arbre<- ctree(Decision ~ ., score.app, controls= party) plot(arbre)
15.
Data Mining 15 Mohamed Heny
SELMI© data-mining@esprit.tn ESPRIT 2013-2014 Faillite_entrep > library (rpart) > Faillite<-read.table(file="Faillite_entrep.txt", row.names=1, header=T) Notre variable de décision est ET ad.Faillite.cnt<- rpart.control (minsplit = 1) ad.Faillite <- rpart (ET ~., Faillite, control = ad.Faillite.cnt) On constate que la prise de décision commence si F est 0 donc la probabilité de F est 1 plot (ad.Faillite, branch=.2, uniform=T, compress=T, margin=.1) text (ad.Faillite, all=T, use.n=T, fancy=T)
16.
Data Mining 16 Mohamed Heny
SELMI© data-mining@esprit.tn ESPRIT 2013-2014 L’erreur de nœud de decision est 0.45652 La taille de l'arbre est réalisée avec la validation croisée comme avant, où le taux d'erreur relative de «chute» les échantillons hors-sac dans l'arborescence existante est tracée avec erreurs types pour chaque groupe
17.
Data Mining 17 Mohamed Heny
SELMI© data-mining@esprit.tn ESPRIT 2013-2014 La modalisation de l’arbre de Faillite des entreprises Ici, il semble que l'erreur relative est réduite au minimum pour un arbre de 8 nœuds. Nous reviendrons l'arbre élagué aux pruneaux et le cp associée à la taille de notre arbre désiré
18.
Data Mining 18 Mohamed Heny
SELMI© data-mining@esprit.tn ESPRIT 2013-2014 > summary(ad.Faillite) Call: rpart(formula = ET ~ ., data = Faillite, control = ad.Faillite.cnt) n= 46 CP nsplit rel error xerror xstd 1 0.76190476 0 1.0000000 1.1904762 0.1608724 2 0.09523810 1 0.2380952 0.5714286 0.1418182 3 0.04761905 2 0.1428571 0.4761905 0.1332150 4 0.02380952 3 0.0952381 0.3809524 0.1224161 5 0.01000000 7 0.0000000 0.4285714 0.1281221 Node number 1: 46 observations, complexity param=0.7619048 predicted class=NF expected loss=0.4565217 class counts: 21 25 probabilities: 0.457 0.543 left son=2 (20 obs) right son=3 (26 obs) Primary splits: AD < 1.74 to the left, improve=13.918390, (0 missing) FD < 0.075 to the left, improve=12.403230, (0 missing) RA < 0.035 to the left, improve= 9.782609, (0 missing) AV < 0.695 to the right, improve= 1.895854, (0 missing) Surrogate splits: FD < 0.075 to the left, agree=0.848, adj=0.65, (0 split) RA < 0.035 to the left, agree=0.848, adj=0.65, (0 split) AV < 0.265 to the left, agree=0.674, adj=0.25, (0 split) Node number 2: 20 observations, complexity param=0.0952381 predicted class=F expected loss=0.1 class counts: 18 2 probabilities: 0.900 0.100
19.
Data Mining 19 Mohamed Heny
SELMI© data-mining@esprit.tn ESPRIT 2013-2014 left son=4 (18 obs) right son=5 (2 obs) Primary splits: FD < 0.13 to the left, improve=3.6000000, (0 missing) RA < 0.06 to the left, improve=0.7111111, (0 missing) AD < 0.585 to the right, improve=0.7111111, (0 missing) AV < 0.27 to the right, improve=0.6000000, (0 missing) Node number 3: 26 observations, complexity param=0.04761905 predicted class=NF expected loss=0.1153846 class counts: 3 23 probabilities: 0.115 0.885 left son=6 (1 obs) right son=7 (25 obs) Primary splits: AV < 0.695 to the right, improve=1.6276920, (0 missing) AD < 2.16 to the left, improve=1.5576920, (0 missing) RA < 0.01 to the left, improve=0.3221851, (0 missing) FD < 0.155 to the left, improve=0.2326923, (0 missing) Node number 4: 18 observations predicted class=F expected loss=0 class counts: 18 0 probabilities: 1.000 0.000 Node number 5: 2 observations predicted class=NF expected loss=0 class counts: 0 2 probabilities: 0.000 1.000 Node number 6: 1 observations predicted class=F expected loss=0 class counts: 1 0 probabilities: 1.000 0.000 Node number 7: 25 observations, complexity param=0.02380952
20.
Data Mining 20 Mohamed Heny
SELMI© data-mining@esprit.tn ESPRIT 2013-2014 predicted class=NF expected loss=0.08 class counts: 2 23 probabilities: 0.080 0.920 left son=14 (5 obs) right son=15 (20 obs) Primary splits: AD < 2 to the left, improve=1.2800000, (0 missing) AV < 0.39 to the left, improve=0.4800000, (0 missing) RA < 0.105 to the right, improve=0.1185965, (0 missing) FD < 0.145 to the right, improve=0.1010526, (0 missing) Node number 14: 5 observations, complexity param=0.02380952 predicted class=NF expected loss=0.4 class counts: 2 3 probabilities: 0.400 0.600 left son=28 (3 obs) right son=29 (2 obs) Primary splits: AD < 1.86 to the right, improve=1.066667, (0 missing) FD < 0.16 to the left, improve=0.900000, (0 missing) RA < 0.055 to the left, improve=0.900000, (0 missing) AV < 0.285 to the left, improve=0.900000, (0 missing) Surrogate splits: RA < 0.075 to the right, agree=0.8, adj=0.5, (0 split) AV < 0.34 to the left, agree=0.8, adj=0.5, (0 split) Node number 15: 20 observations predicted class=NF expected loss=0 class counts: 0 20 probabilities: 0.000 1.000 Node number 28: 3 observations, complexity param=0.02380952 predicted class=F expected loss=0.3333333 class counts: 2 1
21.
Data Mining 21 Mohamed Heny
SELMI© data-mining@esprit.tn ESPRIT 2013-2014 probabilities: 0.667 0.333 left son=56 (1 obs) right son=57 (2 obs) Primary splits: FD < 0.175 to the left, improve=0.3333333, (0 missing) RA < 0.065 to the left, improve=0.3333333, (0 missing) AD < 1.935 to the left, improve=0.3333333, (0 missing) AV < 0.285 to the left, improve=0.3333333, (0 missing) Node number 29: 2 observations predicted class=NF expected loss=0 class counts: 0 2 probabilities: 0.000 1.000 Node number 56: 1 observations predicted class=F expected loss=0 class counts: 1 0 probabilities: 1.000 0.000 Node number 57: 2 observations, complexity param=0.02380952 predicted class=F expected loss=0.5 class counts: 1 1 probabilities: 0.500 0.500 left son=114 (1 obs) right son=115 (1 obs) Primary splits: FD < 0.285 to the right, improve=1, (0 missing) RA < 0.095 to the right, improve=1, (0 missing) AV < 0.34 to the right, improve=1, (0 missing) Node number 114: 1 observations predicted class=F expected loss=0 class counts: 1 0 probabilities: 1.000 0.000 Node number 115: 1 observations
22.
Data Mining 22 Mohamed Heny
SELMI© data-mining@esprit.tn ESPRIT 2013-2014 predicted class=NF expected loss=0 class counts: 0 1 probabilities: 0.000 1.000 library (tree ) cnt<- tree.control(nobs=nrow(Faillite,), mincut=20, minsize=50) Arb<- tree(ET ~ ., data= Faillite,,control=cnt) print(Arb) library(party) party <- ctree_control(minsplit=20,minbucket=10) arbre<- ctree(ET ~ ., Faillite,,, controls= party) plot(arbre)
23.
Data Mining 23 Mohamed Heny
SELMI© data-mining@esprit.tn ESPRIT 2013-2014 credit-german
24.
Data Mining 24 Mohamed Heny
SELMI© data-mining@esprit.tn ESPRIT 2013-2014 credit<-read.table(file="credit-german.txt",sep="t",header=T) ad. credit. cnt<- rpart.control (minsplit = 1) ad. credit <- rpart (class ~., credit, control = ad.credit.cnt plot (ad. credit, branch=.2, uniform=T, compress=T, margin=.1) text (ad. credit, all=T, use.n=T, fancy=T)
25.
Data Mining 25 Mohamed Heny
SELMI© data-mining@esprit.tn ESPRIT 2013-2014 plot (ad. credit) text (ad. credit) L’erreur de nœud de décision est 0.3 La taille de l'arbre est réalisée avec la validation croisée comme avant, où le taux d'erreur relative de «chute» les échantillons hors-sac dans l'arborescence existante est tracée avec erreurs types pour chaque groupe
26.
Data Mining 26 Mohamed Heny
SELMI© data-mining@esprit.tn ESPRIT 2013-2014 Ici, il semble que l'erreur relative est réduite au minimum pour un arbre de 14 nœuds. Nous reviendrons l'arbre élagué aux pruneaux et le cp associée à la taille de notre arbre désiré library (tree ) cnt<- tree.control(nobs=nrow(credit), mincut=20, minsize=50) Arb<- tree(class ~ ., data= credit,control=cnt) print(Arb)
27.
Data Mining 27 Mohamed Heny
SELMI© data-mining@esprit.tn ESPRIT 2013-2014
Download now