条件推断树

• 条件推断树

条件推断树与传统决策树相似，但变量和分割的选取是基于显著性检验的，而不是纯进度或同质性一类的度量。 显著性检验是置换检验

• 算法

（1）对输出变量与每一个预测变量间的关系计算 p 值

（2）选择 p 值最小的变量

（3）在因变量与被选中的变量间尝试全部可能的二元分割（经过排列检验），并选取最显著的分割

（4）将数据集分红两群，并对每一个子群重复上述步骤

（5）重复至全部分割都不显著或已到达最小节点为止

条件推断树可由 party包中的 ctree() 函数得到  

> library(party)
> fit.ctree <- ctree(class~.,data = df.train)  #生成树
> plot(fit.ctree,main="Conditional Inference Tree")  #以下图1

>ctree.perd <- predict(fit.ctree,df.validate,type = "response")  #对训练集外样本单元分类
> ctree.perf <- table(df.validate,ctree.perd,dnn = c("Actual","Predcted"))
> ctree.perf
           Predicted
Actual      benign malignant
  benign       122         7
  malignant      3        78

                        图1 乳腺癌的条件推断树

 每一个节点中的阴影区域表明这个节点对应的恶性肿瘤比例