---

可下载资源

决策树分析步骤

决策树分析法是通过决策树图形展示临床重要事件的可能发展过程及结局，比较各种备选方案的预期结果从而进行择优决策的方法。决策树分析法通常有6个步骤。

用树形图展示决策事件决策

树的画法是从左至右，可能发生的最终结局总是放在决策树最右端,用小三角形表示，称为结局结。每一种结局都是一系列机会事件按时间顺序自然发展的结果，在决策树上这种事件,用圆圈符号表示,称为机会结。每一个机会事件的直接结局用与圆圈联结的臂表示,不同机会结从左至右的顺序是事件发生的时相关系的反映。一个机会结可以有多个直接结局，从每个机会结引出的结局必须是独立、互不包容的状态。

建立决策树：疗效

datanew.train1=datanew.train[train2,]  
datanew.train2=datanew.train[-train2,]

剪枝

CARTmodel1 = **rpart**( (疗效) ~.

根据cp值对决策树进行剪枝

able[**which.min**(CARTmodel$c
**prune**(CARTmodel, cp= C

---

---

对数据进行预测

#准确度  
**sum**(**diag**(tab))/**sum**(tab)

## [1] 0.7755102

#MSE
  
MSE=function(y,pred)**sqrt**(**mean**(**as.numeric**(y)-**as.numeric**(pred))^2)  
  
**MSE**(tree.pred,datanew.test$疗效)

## [1] 0.06122449

用predict的算下错率

变量重要程度

随机森林

变量重要程度

**importance**(rf)

**plot**(d,center=TRUE,leaflab=

混淆矩阵

###########################################准确率  
**sum**(**diag**(tab))/**sum**(tab)

## [1] 0.8163265

*# [1] 0.7755102*  
  
###############################################MSE##############  
**MSE**(**predict**(rf,datanew.test),datanew.test$疗效)

## [1] 0.02040816

预测分类号

逻辑回归模型

M2 <- **glm**(formula = 疗效 ~ .,fami

迭代回归之前的回归模型参数

迭代回归后的模型参数

逻辑回归预测

#########################################准确度  
**sum**(**diag**(tab))/**sum**(tab)

## [1] 0.7755102

##############################################预测分类号  
pred

##   2   3   9  13  14  15  17  22  23  26  29  30  32  35  38  39  42  44  
##   1   1   1   1   1   1   1   1   1   2   1   1   2   2   1   1   1   2  
##  52  53  56  57  60  61  63  64  66  68  69  79  83  87  88  92  94  99  
##   1   2   1   1   1   2   1   1   2   1   1   2   1   2   2   1   2   1  
## 102 105 106 108 109 112 113 118 123 134 139 140 143  
##   2   2   2   2   2   2   1   1   1   2   2   2   1

交叉验证

决策树交叉验证

cv.model=**cv.tree**(cpus.ltr, , prune.tree,K =10)  
best.size <- cv.model$size[**which**(cv.model$dev==**min**(cv.model$dev))] *# wh*

十折交叉验证

k=10  
for(kk in 1:k){  
  index=**sample**(1:**dim**(data)[1],**floor**(**dim**(data)[1]*(1/k)),replace=F) *#筛选样本*  
  test=**as.data.frame**(data[index,]) *#训练集*
  
  
  *#正确率*  
precisek/k

## [1] 0.7285714

随机森林交叉验证

**rfcv**(**na.omit**(datanew.train), **na.omit**(datanew.train)$疗效, cv.fold=10)

十折交叉验证

*#正确率*  
precisek/k

## [1] 0.8424495

逻辑回归交叉验证

(cv.err <- **cv**

summary(cv.err)

十折交叉验证

*#正确率*  
precisek/k

## [1] 0.6416667