Membuat Decision Tree dengan Metode 10-Fold Cross Validation pada R

Seperti janji saya sebelumnya pada artikel Membuat Decision Tree dengan Metode Random Sampling pada R pada R. Untuk latihan kali ini adalah membuat pohon keputusan dengan menggunakan model 10-fold cross validation. Jika anda baru mengunjungi halaman ini, ada baiknya kembali ke artikel yang sebelumnya, agar tahu perkembangan pembahasan pada artikel ini dan dataset apa yang digunakan.

Berikut ini merupakan kode di R untuk membuat decision tree dengan menggunakan model 10-fold cross validation

# 3.2 Decision Tree (10-fold cross validation)
ads1 <- read.csv(file="D:/internet.csv",header=TRUE,sep=",",dec=".")
set.seed(5678)
library(C50)
library(caret)
library(e1071)

# Apply cross fold validation
folds<-cut(seq(1,nrow(ads1)),breaks=10, labels=FALSE)
for(i in 1:10){
testIndexes <- which(folds==i, arr.ind=TRUE)
testData <- ads1[testIndexes, ]
trainData <- ads1[-testIndexes,]}

# Creating the model
atribut <- names(ads1)
atribut <- atribut[-1559]
atribut <- paste(atribut,collapse = "+")
model <- paste("class ~",atribut)
model <-eval(parse(text=model))
ads1_ctree <- ctree(model, data=trainData)

# Check the prediction
table(predict(ads1_ctree), trainData$class)
print(ads1_ctree)
plot(ads1_ctree)
plot(ads1_ctree, type="simple")

# Predict on test data
testPred <- predict(ads1_ctree, newdata = testData)
table(testPred, testData$class)

Gambar 1.  Pohon Keputusan dengan Metode 10-Fold Cross Validation