如何在R语言决策树中正确处理字符串类型的音乐流派特征

1. 查看因子与原字符串的对应关系 #

直接用以下代码查看映射：

# 查看所有因子水平（原字符串）
levels(MGSHelp2$Genre)
# 查看每条数据的因子编码数值
as.numeric(MGSHelp2$Genre)
# 统计各流派的样本数量
table(MGSHelp2$Genre)

2. 让决策树显示流派原名 #

针对tree包 #

tree包默认会缩写长因子名，通过text()函数的pretty=0参数强制显示原名：

library(tree)
# 构建决策树
tree_model <- tree(Pref2 ~ ., data = MGSHelp2)
# 查看完整树结构（包含原名分裂规则）
summary(tree_model)
# 绘图并显示原名标签
plot(tree_model)
text(tree_model, pretty = 0)

针对rpart包 #

rpart对因子的支持更直观，默认显示原名：

library(rpart)
# 构建决策树
rpart_model <- rpart(Pref2 ~ ., data = MGSHelp2)
# 打印树结构
print(rpart_model)
# 绘图并添加标签
plot(rpart_model)
text(rpart_model, use.n = TRUE)

3. 正确使用factor()处理流派列 #

如果要自定义因子水平，需确保包含数据中所有出现的流派，避免生成NA：

# 自动获取数据中所有唯一流派作为水平
MGSHelp2$Genre <- factor(MGSHelp2$Genre, levels = unique(MGSHelp2$Genre))

# 或者使用你预设的完整流派列表（确保数据中的流派都在列表内）
MGSHelp2$Genre <- factor(MGSHelp2$Genre, 
                         levels = c("aussietronica", "bath indie", "big room", "boy band", "brostep",
                                    "chillwave", "classic anime", "classical", "contemporary r&b",
                                    "country", "covertronica", "disco", "edm", "funk carioca", "hip hop",
                                    "pop", "rap", "reggae fusion", "rock"))

4. 避免错误使用as.numeric() #

流派是分类特征，没有数值大小关系，用as.numeric()会把因子转换成编码数值，导致决策树生成不合理的数值分裂节点，因此不要用这种方式处理。

内容的提问来源于stack exchange，提问作者Me Me