[Not: Aşağıdaki 1. güncellemeye bakın.] Yönteminin rpart
açıklanmasından çok daha kolay olduğunu düşünüyorum party
. Bununla birlikte, ikincisi çok daha karmaşıktır ve daha iyi modeller vermesi muhtemeldir. Bazen açıklama şeklimparty
, yerel doğrusal (veya GLM) modeller üretmek için bir temel olarak konuşmaktır. Bunun için sonuçların rpart
yaprak düğümüne düşen tüm elemanlar arasında sabit olduğunu, yani bölünmelerle sınırlanan kutu / bölgenin işaret ettiğini belirterim . Yerel modeller aracılığıyla iyileştirmeler olsa bile, sürekli bir tahminden başka bir şey elde edemezsiniz.
Buna karşılık, party
bölgeler için modelleri potansiyel olarak optimize etmek için bölünmeler geliştirir. Aslında model tercihliliğinden farklı bir kriter kullanıyor, ancak iyi açıklayıp açıklayamayacağınızı belirlemek için farkı açıklamak için kendi kapasitenizi ölçmeniz gerekiyor. Bunun için kağıtlar bir araştırmacı için oldukça erişilebilir, ancak rastgele ormanlar, artırma, vb. Gibi daha basit yöntemleri düşünmek istemeyen biri için oldukça zor olabilir party
. hem metodoloji hem de sonuçlar açısından açıklayabilir ve bunlar daha sofistike ağaç tabanlı modeller tanıtmak için iyi bir basamak taşı sağlar.
Kısacası, rpart
netlik için yapmanız gerektiğini ve party
doğruluk / performans için kullanabileceğinizi söyleyebilirim , ancak tanıtmadan party
tanıtmayacağım rpart
.
Güncelleme 1. Cevabımı party
bir iki yıl önceki anlayışım üzerine kurdum . Biraz büyüdü, ancak cevabımı rpart
, kısmi ve mirası için hala tavsiye edeceğimi söylemek için değiştiririm , "fantezi olmayan", müşteriniz / ortak çalışanınız için önemli bir kriter olmalı. Yine de, party
birisini tanıttıktan sonra, daha fazla işlevsellik kullanmaya geçmeye çalışacağım rpart
. Çok daha fazla kavram içeren bir paket ve metodoloji sunmadan önce, kayıp fonksiyonlar, bölme kriterleri vb. İle küçük bir başlangıç yapmak daha iyidir.