方法不对吧。采用新方法训练下

我用的rpart包，代码如下：
data <- read.csv("E://sha.csv",header=T)
ind <- sample(2, nrow(data), replace=TRUE, prob=c(0.9, 0.1))
traindata <- data[ind==1,]
testdata<- data[ind==2,]

library(rpart)
ct<-rpart.control(xval=5,minsplit=2,minbucket=1,cp=0.01)
model.CART <-rpart(f~七天+X1月+X3月+X6月+X12月+X18月+X24月+a+b+c+d,method="class",control=ct,data=traindata,parms=list(prior=c(0.6,0.4),split="information")
prune(model.CART,cp=0.01)

results.CART <-predict(model.CART,newdata=testdata, type="class")
不知道是不是代码写的有问题，还是那个参数没有设置对啊，总共11个变量，其中有9个都是连续的，是不是要把连续变量离散化？

一，决策树中很不稳定的，二，50%，说明，数据没啥子用信息含量，三，决策树，对变量没有要求离散化，它是最适合各类变量类型的ML，四，现在，单用决策树，已很少有价值了。。

你好，那除了用决策树，还有什么方法可以用来分类预测？用随机森林是不是可以提高稳定性和正确率呀？

如 果，有兴趣，有时间，可好好研习 R 包 caret  ，它包含了近百个分类ML 方法。。