使用R语言CART建模是否需要将分类变量转换为factor类型

核心结论 #

建议提前将gender、cancer这类分类变量转换为factor类型，不同场景的具体原因如下：

探索性分析阶段的原因 #

• 若直接使用数值型0/1变量绘图，ggplot2等R绘图包会默认将其识别为连续变量，输出的图表会出现不符合业务逻辑的结果：比如箱线图X轴出现0.5这类无意义的中间刻度，分组柱状图默认使用连续色阶而非两类独立配色
• 转换为factor后可直接设置因子水平标签，后续生成的图表、统计描述结果会直接显示「女性/男性」「未患癌/患癌」这类分类名称，无需手动修改标注，提升分析效率

CART建模阶段的原因 #

• R常用的CART实现包（如rpart）虽然可以正常运行数值型0/1二元变量的训练，但会默认将其判定为连续变量，生成的拆分规则可能出现gender>0.3这类无意义的逻辑，模型结果可读性极差
• 转换为factor后，rpart会自动识别为分类变量，拆分规则直接显示为gender=男性/gender=女性这类符合业务逻辑的表述，更便于解读
• 特殊注意：如果你的任务是训练分类树预测是否患癌，结局变量cancer必须转换为factor，否则rpart会默认按回归树训练，输出的是连续数值预测值而非「患癌/未患癌」的分类结果

参考转换代码 #

# 转换性别变量
df$gender <- factor(df$gender, levels = c(0,1), labels = c("女性", "男性"))
# 转换患癌状态变量
df$cancer <- factor(df$cancer, levels = c(0,1), labels = c("未患癌", "患癌"))

内容的提问来源于stack exchange，提问作者meera