该rpart包的plotcp函数绘制了适合训练数据集的 rpart 树的复杂性参数表。plotcp使用该函数时，您无需提供任何额外的验证数据集。

Rpart 实现首先在整个数据上拟合一棵完全生长的树$D$和$T$终端节点。在这一步之后，将树修剪为具有最低错误分类损失的最小树。这是它的工作原理：

1. 然后将数据拆分为$n$（默认 = 10）随机选择的折叠：$F_1$至$F_{10}$
2. 然后它使用 10 折交叉验证并拟合每个子树$T_1 ... T_m$在每个训练折叠$D_s$.
3. 相应的错误分类损失（风险）$R_m$然后通过比较为验证折叠预测的类与实际类来计算每个子树的值；并且每个子树的这个风险值对所有折叠求和。
4. 复杂度参数$\beta$最终选择在整个数据集上给出最低总风险。
5. 然后使用此复杂度参数拟合完整数据，并选择此树作为最佳修剪树。

因此，当您使用 时plotcp，它会从最小到最大绘制每个子树的相对交叉验证误差，以便您比较每个复杂性参数的风险$\beta$.

例如，使用rpart包中的 StageC 癌症预后数据集参考以下拟合：

> printcp( cfit)

Classification tree:
rpart(formula = progstat ~ age + eet + g2 + grade + gleason + 
    ploidy, data = stagec, method = "class")

Variables actually used in tree construction:
[1] age    g2     grade  ploidy

Root node error: 54/146 = 0.36986

n= 146 

        CP nsplit rel error  xerror    xstd
1 0.104938      0   1.00000 1.00000 0.10802
2 0.055556      3   0.68519 1.16667 0.11083
3 0.027778      4   0.62963 0.96296 0.10715
4 0.018519      6   0.57407 0.96296 0.10715
5 0.010000      7   0.55556 1.00000 0.10802

交叉验证的错误按比例缩小以便于阅读；图上的误差条显示 x 验证误差的一个标准偏差。

参考：

1. 使用 RPART 例程进行递归分区的介绍，URL：https ://cran.r-project.org/web/packages/rpart/vignettes/longintro.pdf