自从我查看分区树以来已经有一段时间了。上次我做这种事情时，我喜欢 R 中的派对（由 Hothorn 创建）。通过采样进行条件推理的想法对我来说很有意义。但 rpart 也具有吸引力。
在当前的应用程序中（我无法提供详细信息，但它涉及试图在大量被捕者中确定谁将入狱）我不能使用随机森林、装袋、提升等高级方法 - 我需要一个易于解释的规则。
我还希望按照 Zhang & Singer (2010) Recursive Partitioning and Applications中的建议手动控制哪些节点分裂。该书附带的免费软件允许这样做，但在用户输入方面相当原始。
有什么建议或建议吗？
我同意@Iterator 的观点，即该方法更容易为 rpart 解释。但是，如果您正在寻找易于解释的规则，派对（没有袋装树）在解释预测方面不会失去任何东西 - 您仍然只有一棵树。如果您也有兴趣查看结果变量的驱动因素（不仅仅是纯粹的预测能力），我仍然认为该党是要走的路 - 解释决策树（如 rpart）在选择哪个方面可能会有很大的偏差变量很重要，以及它如何产生分裂。Party 使用置换测试并统计确定哪些变量最重要以及如何进行拆分。因此，party 没有偏向于具有多个级别的分类变量，例如 rpart，而是使用统计测试来找到最佳结构。
rpart[注意：请参阅下面的更新 1。] 我发现party. 然而，后者要复杂得多，并且可能会提供更好的模型。我有时解释的方式party是将其称为生成局部线性（或 GLM）模型的基础。我通过指出rpart落入叶节点的所有元素（即由分割限制的框/区域）的结果是恒定的来建立这一点。即使通过本地模型可能会有所改进，但除了不断的预测之外，您什么也得不到。
相反，party开发拆分以可能优化区域的模型。它实际上使用了与模型最优性不同的标准，但您需要衡量自己解释差异的能力，以确定您是否能很好地解释它。它的论文对于研究人员来说很容易获得，但对于那些不愿意考虑更简单的方法（如随机森林、提升等）的人来说可能是相当具有挑战性的。在数学上，我认为这party更复杂......尽管如此，CART 模型更容易解释，无论是在方法论和结果方面，这些都为引入更复杂的基于树的模型提供了一个不错的垫脚石。
简而言之，我会说你必须做rpart的清晰，你可以使用party准确/性能，但我不会不介绍party就介绍rpart.
更新 1. 我的回答基于我对party一两年前的理解。它已经长大了很多，但我会修改我的答案，说我仍然推荐rpart它的简洁性和传统性，如果“非花哨”是您的客户/合作者的重要标准。然而，party在将某人介绍给rpart. 在引入涉及更多概念的包和方法之前，最好从简单的上下文中从损失函数、分割标准等开始。