1 "rpart"包
rpart包中的rpart()函数：构建决策树，允许选择具有最小预测误差的决策树，然后在使用predict函数进行预测。
ls("package:rpart")
##[1] "car.test.frame" "car90"          "cu.summary"     "kyphosis"       "meanvar"      
[6] "na.rpart"       "path.rpart"     "plotcp"         "post"           "printcp"      
[11] "prune"          "prune.rpart"    "rpart"          "rpart.control"  "rpart.exp"     
[16] "rsq.rpart"      "snip.rpart"     "solder"         "stagec"         "xpred.rpart"
rpart包的rpart(formula, data, method, control, parms)函数：拟合rpart模型。formula为拟合公式；data为数据集；method：树的末端数据类型选择相应的变量分割方法:连续性method=“anova”，离散型method=“class”,计数型method=“poisson”,生存分析型method=“exp”；parms用来设置三个参数:先验概率、损失矩阵、分类纯度的度量方法（gini和information）；control：为rpart算法的控制细节选项；cost我觉得是损失矩阵，在剪枝的时候，叶子节点的加权误差与父节点的误差进行比较，考虑损失矩阵的时候，从将“减少-误差”调整为“减少-损失”
rpart.control(minsplit = 20, minbucket = round(minsplit/3), cp = 0.01,
    maxcompete = 4L, maxsurrogate = 5L, usesurrogate = 2L, xval = 10,
    surrogatestyle = 0L, maxdepth = 30L, ...) 对树进行一些设置。 minsplit是最小分支节点数，这里指大于等于20，那么该节点会继续分划下去，否则停止；minbucket：叶子节点最小样本数；maxdepth：树的深度；cp全称为complexity parameter，指某个点的复杂度，对每一步拆分,模型的拟合优度必须提高的程度,将要被修剪的rpart复杂性参数；xval是10折交叉验证。





2.rpart包提供了复杂度损失修剪的修剪方法，printcp会告诉分裂到每一层，cp是多少，平均相对误差是多少
   选择具有最小xerror的cp的办法
prune(fit, cp= fit$cptable[which.min(fit$cptable[,"xerror"]),"CP"])  


3. 画图的包（“rpart.plot”）
rpart.plot (x = stop("no 'x' arg"), type = 2, extra = "auto", under = FALSE,
    fallen.leaves = TRUE, digits = 2, varlen = 0, faclen = 0,
    cex = NULL, tweak = 1, snip = FALSE, box.palette = "auto",
    shadow.col = 0, ...) 画出rpart（决策树）模型。x为rpart模型；extra在节点上显示额外的信息，不同的数字代表不同的类型（请参考帮助）；branch控制分支线的形状，指定一个值在0（V形分支）和1（方形分支），默认情况下（fallen.leaves）为1否则为2；type为画图的类型，分为5种：
0默认。画一个分裂的标签，在叶子的每一个分裂标签和一个节点标签。
1标签所有节点，不只是树叶。
2像1，但绘制的标签下面的节点标签。
3为左、右方向画单独的拆分标签。
4像3，但标签的所有节点，不只是叶子节点，类似于文本。