[Uwaga: Zobacz aktualizację 1 poniżej.] Uważam, że metodologia rpart
jest o wiele łatwiejsza do wyjaśnienia niżparty
. Ten ostatni jest jednak znacznie bardziej wyrafinowany i prawdopodobnie da lepsze modele. Czasami wyjaśniam, party
że mówię o tym jako o podstawie do tworzenia lokalnych modeli liniowych (lub GLM). Uzgadniam to, wskazując, że wyniki dla rpart
są stałe we wszystkich elementach, które wpadają do węzła liścia, tj. Ramka / region ograniczony podziałami. Nawet jeśli możliwe są ulepszenia za pomocą modeli lokalnych, nie otrzymujesz nic oprócz stałej prognozy.
W przeciwieństwie, party
rozwija podziały, aby potencjalnie zoptymalizować modele dla regionów. W rzeczywistości wykorzystuje inne kryteria niż optymalność modelu, ale musisz ocenić swoją zdolność do wyjaśnienia różnicy, aby ustalić, czy możesz to dobrze wyjaśnić. Dokumenty na ten temat są dość dostępne dla badacza, ale mogą być dość trudne dla kogoś, kto nie chce rozważyć prostszych metod, takich jak losowe lasy, przyspieszanie itp. Matematycznie myślę, że party
jest to bardziej wyrafinowane ... Niemniej modele CART są łatwiejsze wyjaśnić, zarówno pod względem metodologii, jak i wyników, i stanowią one dobry krok do wprowadzenia bardziej wyrafinowanych modeli opartych na drzewach.
Krótko mówiąc, powiedziałbym, że musisz zrobić rpart
dla jasności i możesz użyć party
dla dokładności / wydajności, ale nie przedstawiłbym się party
bez przedstawienia rpart
.
Aktualizacja 1. Swoją odpowiedź oparłem na moim zrozumieniu z party
roku lub dwóch lat temu. Wyrósł już dość, ale zmodyfikowałbym swoją odpowiedź, aby powiedzieć, że nadal polecam rpart
ze względu na jej zwięzłość i spuściznę, jeśli „niefajność” będzie ważnym kryterium dla twojego klienta / współpracownika. Jednak starałbym się migrować do korzystania z większej liczby funkcji party
, po tym, jak kogoś przedstawiłem rpart
. Lepiej zacząć od małych, z funkcjami strat, kryteriami podziału itp., W prostym kontekście, przed wprowadzeniem pakietu i metodologii, które obejmują znacznie bardziej zaangażowane koncepcje.