[หมายเหตุ:. ดูที่การปรับปรุง 1 ด้านล่าง] ผมพบว่าวิธีการสำหรับการอยู่ไกลง่ายกว่าที่จะอธิบายrpart
party
อย่างไรก็ตามหลังนั้นมีความซับซ้อนและมีแนวโน้มที่จะสร้างแบบจำลองที่ดีกว่า วิธีที่ฉันอธิบายบางครั้งก็party
คือการพูดถึงมันเป็นพื้นฐานสำหรับการสร้างแบบจำลองเชิงเส้นท้องถิ่น (หรือ GLM) ฉันสร้างมันขึ้นมาโดยชี้ให้เห็นว่าผลลัพธ์สำหรับrpart
ค่าคงที่ในทุกองค์ประกอบที่อยู่ในโหนดใบเช่นกล่อง / ภูมิภาคล้อมรอบด้วยการแยก แม้ว่าอาจจะมีการปรับปรุงผ่านตัวแบบในท้องที่ แต่คุณก็ไม่ได้รับการคาดการณ์ใด ๆ
ในทางตรงกันข้ามparty
พัฒนาตัวแยกเพื่อเพิ่มประสิทธิภาพโมเดลสำหรับภูมิภาค จริงๆแล้วมันใช้เกณฑ์ที่แตกต่างจากการเพิ่มประสิทธิภาพของแบบจำลอง แต่คุณต้องประเมินความสามารถของคุณเองเพื่ออธิบายความแตกต่างเพื่อตัดสินว่าคุณสามารถอธิบายได้ดีหรือไม่ เอกสารสำหรับนักวิจัยสามารถเข้าถึงได้ แต่อาจจะค่อนข้างท้าทายสำหรับบางคนที่ไม่เต็มใจที่จะพิจารณาวิธีที่ง่ายกว่าเช่นป่าที่สุ่มการส่งเสริมและอื่น ๆ ในทางคณิตศาสตร์ฉันคิดว่าparty
มันมีความซับซ้อนมากกว่า ... อย่างไรก็ตามโมเดล CART นั้นง่ายกว่า อธิบายทั้งในแง่ของวิธีการและผลลัพธ์และสิ่งเหล่านี้เป็นก้าวที่ดีสำหรับการแนะนำโมเดลที่มีพื้นฐานจากต้นไม้ที่ซับซ้อนยิ่งขึ้น
ในระยะสั้นผมจะบอกว่าคุณต้องทำrpart
เพื่อความชัดเจนและคุณสามารถใช้party
เพื่อความถูกต้อง / รอบการแสดง แต่ฉันจะไม่แนะนำโดยไม่ต้องแนะนำparty
rpart
อัปเดต 1. ฉันใช้คำตอบตามความเข้าใจparty
เหมือนเดิมเมื่อหนึ่งปีหรือสองปีที่แล้ว มันเติบโตขึ้นมาเล็กน้อย แต่ฉันจะแก้ไขคำตอบของฉันเพื่อบอกว่าฉันยังคงแนะนำrpart
สำหรับความกะทัดรัดและมรดกของมันควร "ไม่แฟนซี" เป็นเกณฑ์ที่สำคัญสำหรับลูกค้า / ผู้ทำงานร่วมกันของคุณ แต่ผมจะพยายามที่จะโยกย้ายไปใช้ฟังก์ชันการทำงานเพิ่มเติมจากหลังจากที่ได้แนะนำให้รู้จักกับคนที่จะparty
rpart
เป็นการดีที่จะเริ่มต้นเล็ก ๆ ด้วยฟังก์ชั่นการสูญเสียเกณฑ์การแยก ฯลฯ ในบริบทง่ายๆก่อนที่จะแนะนำแพ็คเกจและวิธีการที่เกี่ยวข้องกับแนวคิดที่เกี่ยวข้องมากกว่า