一、前言

在数据科学的世界中，机器学习（Machine Learning） 是核心技术之一。
无论你做科研、数据分析还是预测建模，都离不开它。

而R语言，作为专为统计与数据分析而生的工具，不仅功能强大、生态丰富，还拥有便捷的可视化与建模接口。

本教程将通过两个经典算法：

• 线性回归（Linear Regression）

• 决策树（Decision Tree）

一步步带你从数据探索、特征分析到建模预测，掌握R语言机器学习的基础思维。

---

⚙️ 二、R语言机器学习的基本流程

在R中，机器学习通常遵循以下标准流程👇：

1. 数据准备（Data Preparation）
   加载、清洗、选择特征、划分训练集与测试集。

2. 探索性分析（EDA, Exploratory Data Analysis）
   用统计和图形手段理解数据分布和变量关系。

3. 模型训练（Model Training）
   选择算法并在训练集上拟合模型。

4. 模型预测（Prediction）
   在测试集或新数据上做预测。

5. 模型评估（Evaluation）
   使用指标（MSE、R²、Accuracy等）评价模型好坏。

6. 可视化与优化（Visualization & Tuning）
   绘图对比结果，进行参数调整与改进。

---

🧩 三、准备工作与环境配置

首先安装并加载我们需要的R包：

install.packages(c("tidyverse", "caret", "rpart", "rpart.plot", "ggpubr"))

加载库：

library(tidyverse)
library(caret)
library(rpart)
library(rpart.plot)
library(ggpubr)

这些包的作用如下👇：

• tidyverse：数据清洗、变换与可视化

• caret：机器学习通用框架

• rpart / rpart.plot：构建与绘制决策树

• ggpubr：可视化结果组合展示

---

📘 四、数据集介绍：mtcars

R自带的 mtcars 数据集包含32种汽车的性能指标，包括油耗、重量、马力、变速方式等。

data(mtcars)
head(mtcars)

输出示例：

mpg	cyl	disp	hp	wt	qsec	am	gear
21.0	6	160	110	2.62	16.46	1	4
21.0	6	160	110	2.88	17.02	1	4

变量解释：

• mpg：每加仑油行驶英里数（燃油效率）

• hp：马力（Horse Power）

• wt：车重（单位：1000磅）

• am：变速方式（0=自动，1=手动）

---

🔍 五、探索性数据分析（EDA）

1️⃣ 数据基本统计

summary(mtcars)

我们可以快速观察数据范围、均值、中位数、最大最小值，判断是否有异常。

2️⃣ 查看变量关系

我们想预测的是 mpg（油耗），先看看它与其他变量的关系：

ggplot(mtcars, aes(x = wt, y = mpg)) +
  geom_point(color = "steelblue", size = 3) +
  geom_smooth(method = "lm", se = FALSE, color = "red") +
  labs(title = "汽车重量与油耗的关系", x = "重量", y = "油耗")

结果分析：
从图中可以看到，重量越大，油耗越低，两者呈负相关。

---

🧮 六、线性回归模型（Linear Regression）

线性回归是最基础的监督学习模型，它假设目标变量 yyy 与输入特征 XXX 存在线性关系：

y=β0+β1x1+β2x2+⋯+βnxn+ϵy = \beta_0 + \beta_1x_1 + \beta_2x_2 + \cdots + \beta_nx_n + \epsilony=β0​+β1​x1​+β2​x2​+⋯+βn​xn​+ϵ

1️⃣ 模型训练

我们使用 重量（wt） 和 马力（hp） 来预测 油耗（mpg）：

model_lm <- lm(mpg ~ wt + hp, data = mtcars)
summary(model_lm)

结果示例：

Coefficients:
(Intercept)   37.2273  
wt           -3.8778  
hp           -0.0318  
R-squared: 0.8268

解释：

• 截距（37.22）：理论上车重与马力为0时的油耗。

• 每增加1单位重量，油耗降低约3.88。

• 每增加1单位马力，油耗降低约0.03。

• R2=0.8268R^2 = 0.8268R2=0.8268，说明模型能解释约82.7%的油耗变异。

---

2️⃣ 模型预测

mtcars$pred_lm <- predict(model_lm, newdata = mtcars)

3️⃣ 可视化对比真实值与预测值

ggplot(mtcars, aes(x = mpg, y = pred_lm)) +
  geom_point(color = "blue", size = 3) +
  geom_abline(slope = 1, intercept = 0, color = "red", linetype = "dashed") +
  labs(title = "线性回归预测 vs 真实值", x = "真实油耗", y = "预测油耗")

图中点越靠近红色虚线（y=x），说明预测越准确。

---

4️⃣ 计算误差指标

mse_lm <- mean((mtcars$mpg - mtcars$pred_lm)^2)
rmse_lm <- sqrt(mse_lm)
cat("线性回归模型 MSE:", round(mse_lm, 3), "\nRMSE:", round(rmse_lm, 3))

输出示例：

线性回归模型 MSE: 6.003 
RMSE: 2.45

---

🌳 七、决策树模型（Decision Tree）

线性模型适合线性关系，而决策树能捕捉非线性特征与交互效应，是一种强大的可解释算法。

1️⃣ 模型训练

model_tree <- rpart(mpg ~ wt + hp, data = mtcars, method = "anova")

2️⃣ 可视化树结构

rpart.plot(model_tree, type = 3, fallen.leaves = TRUE, box.palette = "Blues")

树状图解释：

• 每个节点代表一个特征划分条件；

• 叶子节点显示该区域的平均油耗；

• 模型通过“分裂”逐步细化预测。

---

3️⃣ 模型预测与误差

mtcars$pred_tree <- predict(model_tree, newdata = mtcars)

mse_tree <- mean((mtcars$mpg - mtcars$pred_tree)^2)
rmse_tree <- sqrt(mse_tree)
cat("决策树模型 MSE:", round(mse_tree, 3), "\nRMSE:", round(rmse_tree, 3))

输出示例：

决策树模型 MSE: 5.450 
RMSE: 2.33

比线性回归略优，说明树模型在捕捉非线性方面更灵活。

---

📊 八、模型效果对比与可视化

1️⃣ 两种模型预测结果对比

comparison <- data.frame(
  mpg = mtcars$mpg,
  pred_lm = mtcars$pred_lm,
  pred_tree = mtcars$pred_tree
)

ggplot(comparison) +
  geom_point(aes(x = mpg, y = pred_lm), color = "steelblue", size = 3) +
  geom_point(aes(x = mpg, y = pred_tree), color = "orange", size = 3) +
  geom_abline(slope = 1, intercept = 0, color = "red", linetype = "dashed") +
  labs(title = "线性回归 vs 决策树预测对比", x = "真实油耗", y = "预测油耗")

2️⃣ 模型精度比较图

mse_df <- data.frame(
  model = c("Linear Regression", "Decision Tree"),
  MSE = c(mse_lm, mse_tree)
)

ggplot(mse_df, aes(x = model, y = MSE, fill = model)) +
  geom_bar(stat = "identity") +
  labs(title = "模型MSE对比", y = "均方误差") +
  theme_minimal()

---

🧭 九、模型总结与扩展方向

模型	优点	缺点	适用场景
线性回归	简单易懂、速度快、可解释性强	只能拟合线性关系	数值型特征、线性趋势数据
决策树	可处理非线性、特征自动选择	易过拟合、对噪声敏感	多变量、复杂关系数据

✅ 结论：

• 对简单数据，线性回归已能很好地解释；

• 若变量间存在复杂交互，决策树往往更优；

• 实际项目中，可以通过交叉验证、集成模型（如随机森林）进一步提升精度。

---

💡 十、下一步学习建议

如果你已经掌握了本文的基础内容，推荐继续学习以下方向👇：

1. 随机森林（Random Forest）

   • 包：randomForest

   • 原理：集成多棵决策树投票平均，提升泛化能力。

2. 梯度提升树（XGBoost / LightGBM）

   • 包：xgboost, lightgbm

   • 常用于比赛与工业级建模。

3. 分类问题模型

   • glm() 逻辑回归

   • rpart(method="class") 分类树

4. 模型调参（Hyperparameter Tuning）

   • 使用 caret::train() 统一管理模型训练与交叉验证。

5. 可解释性分析

   • 学习 vip、DALEX 包来解释模型特征重要性。

---

📘 十一、完整可复制代码汇总

# 加载库
library(tidyverse)
library(caret)
library(rpart)
library(rpart.plot)
library(ggpubr)

# 数据集
data(mtcars)

# 线性回归
model_lm <- lm(mpg ~ wt + hp, data = mtcars)
mtcars$pred_lm <- predict(model_lm, newdata = mtcars)
mse_lm <- mean((mtcars$mpg - mtcars$pred_lm)^2)

# 决策树
model_tree <- rpart(mpg ~ wt + hp, data = mtcars, method = "anova")
mtcars$pred_tree <- predict(model_tree, newdata = mtcars)
mse_tree <- mean((mtcars$mpg - mtcars$pred_tree)^2)

# 可视化对比
ggarrange(
  ggplot(mtcars, aes(x = mpg, y = pred_lm)) +
    geom_point(color = "blue", size = 3) +
    geom_abline(slope = 1, intercept = 0, linetype = "dashed") +
    labs(title = "线性回归预测", x = "真实值", y = "预测值"),
  
  ggplot(mtcars, aes(x = mpg, y = pred_tree)) +
    geom_point(color = "orange", size = 3) +
    geom_abline(slope = 1, intercept = 0, linetype = "dashed") +
    labs(title = "决策树预测", x = "真实值", y = "预测值"),
  
  ncol = 2, nrow = 1
)

---

🏁 十二、总结

通过本篇文章，你已经掌握了R语言中：

• 数据分析与可视化基本流程；

• 使用 lm() 构建线性回归模型；

• 使用 rpart() 构建决策树模型；

• 模型预测与误差评估；

• 两种模型的可视化与对比。

这就是R语言机器学习的入门路径。
理解了这两种算法后，你就能轻松过渡到更复杂的模型（如随机森林、SVM、XGBoost），
从而逐步迈入真正的数据科学实战。