[NB: Xem bản cập nhật 1 bên dưới.] Tôi thấy rằng phương pháp rpart
này dễ giải thích hơn nhiều so với party
. Tuy nhiên, cái sau tinh vi hơn nhiều và có khả năng đưa ra các mô hình tốt hơn. Cách tôi đôi khi giải thích party
là nói về nó như là cơ sở để sản xuất các mô hình tuyến tính (hoặc GLM) cục bộ. Tôi xây dựng điều này bằng cách chỉ ra rằng các kết quả cho rpart
là không đổi trên tất cả các phần tử rơi vào nút lá, tức là hộp / vùng giới hạn bởi các phần tách. Ngay cả khi có thể có những cải tiến thông qua các mô hình địa phương, bạn không nhận được bất cứ điều gì ngoài dự đoán liên tục.
Ngược lại, party
phát triển các phần tách để có khả năng tối ưu hóa các mô hình cho các khu vực. Nó thực sự sử dụng một tiêu chí khác với sự tối ưu của mô hình, nhưng bạn cần đánh giá năng lực của chính mình để giải thích sự khác biệt để xác định xem bạn có thể giải thích tốt hay không. Các bài báo dành cho nhà nghiên cứu khá dễ tiếp cận, nhưng có thể khá khó khăn đối với người không sẵn sàng xem xét các phương pháp đơn giản hơn như rừng ngẫu nhiên, tăng tốc, v.v. Về mặt toán học, tôi nghĩ rằng party
nó phức tạp hơn ... Tuy nhiên, các mô hình GIỎI dễ dàng hơn giải thích, cả về phương pháp và kết quả, và những điều này cung cấp một bước đệm tốt để giới thiệu các mô hình dựa trên cây tinh vi hơn.
Nói tóm lại, tôi sẽ nói rằng bạn phải làm rpart
cho rõ ràng và bạn có thể sử dụng party
cho độ chính xác / hiệu quả, nhưng tôi sẽ không giới thiệu party
mà không giới thiệu rpart
.
Cập nhật 1. Tôi dựa trên câu trả lời của mình dựa trên sự hiểu biết của tôi party
vì nó là một hoặc hai năm trước. Nó đã phát triển khá nhiều, nhưng tôi sẽ sửa đổi câu trả lời của mình để nói rằng tôi vẫn khuyên bạn rpart
vì sự ngắn gọn và di sản của nó, nên "không ưa thích" là một tiêu chí quan trọng cho khách hàng / cộng tác viên của bạn. Tuy nhiên, tôi sẽ cố gắng chuyển sang sử dụng nhiều chức năng hơn từ party
sau khi đã giới thiệu cho ai đó rpart
. Tốt hơn là bắt đầu nhỏ, với các hàm mất, tiêu chí phân tách, v.v., trong một bối cảnh đơn giản, trước khi giới thiệu một gói và phương pháp liên quan đến các khái niệm liên quan nhiều hơn.