1 颜色名称表示法
R语言中的颜色表示方式主要有两种，一种是用颜色的名称表示，例如：blue、red、orange等等，要知道R语言中颜色名称可以使用colors()方法得到。下图只显示50个颜色值：
library(scales)
show_col(colors()[1:50],label=T)
2 颜色值表示法
另一种颜色的表示方法是用数值的方法表示：也就是RGB的方法表示，通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的 可以使用rgb()方法-设置三种颜色的值（0-1）：例如 rgb(1, 0, 0)表示红色， 设置透明颜色时，再添加一个参数：rgb(1, 0, 0, 0.1)。也可以是0-255之间的数值：例如rgb()方法设置颜色（0-255）： rgb(255, 0, 0, max=255) 也表示红色, 透明颜色：rgb(255, 0, 0, 0.1 ,max=255)。还有一种颜色写法是用16进制的字符表示：#FF0000表示红色，没两位依次表示RGB的值；
3 数字表示法
可以用数字1、2、3等表示颜色，这些数字指向R语言中的色板palette颜色，如1代表当前palette的第1种颜色，2代表当前palette的第2种颜色等，默认色板中的颜色如下:
>palette()
[1] "black" "red" "green3" "blue" "cyan" "magenta" "yellow"
[8] "gray"
4 颜色的应用
为柱状图填充颜色,4种颜色都表示红色，分别填充到柱状图的4个柱子中：
plot是R中的基本画图工具，直接plot(x)，x为一个数据集，就能画出图。细节往往制胜的关键，所以就详细来看下plot的所有可设置参数及参数设置方法。
下面讲到的图形参数，是graphic包中的常见参数，graphic不同图形方法中，这些参数都是相同的。
“p”点图
“l”线图
“b”点线图，线不穿过点
“c”虚线图
“o”点线图，线穿过点
“h”直方图
“s”阶梯图
“S”步骤图
“n”无图
colors()方法可以查看R中所有可用的颜色名，一共有657种颜色名，根据颜色名可直接设置图形的显示颜色。下面是部分颜色，完整的图见链接： R语言颜色表
除了名称外，同样可以用下标，十六进制颜色值，RGB值和HSV值来指定颜色。例子：col=1、col="white"、col="#FFFFFF"、col=rgb(1,1,1)和col=hsv(0,0,1)。
另外，R中还有许多生成颜色变量的函数。有rainbow()、heat.colors()、terrain.colors()、topo.colors()、cm.colors()方法，gray()方法生成多阶灰度色。
plot是R中的基本画图工具，直接plot(x)，x为一个数据集，就能画出图，soeasy！但是细节往往制胜的关键。所以就详细来看下plot的所有可设置参数及参数设置方法。
参考：
https://blog.csdn.net/cl1143015961/article/details/45538119
R语言做图plot参数
R语言学习之决策树决策树最重要的2个问题：决策树的生长问题，决策树的剪枝问题。生长问题又包括了2个子问题：从分组变量的众多取值中选择一个最佳分割点和从众多输入变量中选择当前最佳分组变量；剪枝问题包括2个子问题：预修剪（事先指定树的最大深度，叶子的最小样本量等）和后修剪（先让树充分生长，然后边修剪边检验）。
在R中，实现决策树需要加载包library(rpart)，如果想把分类图画的漂亮点，还可以加载这个包：library(rpart.plot)## rpart.control对树进行一些设置## xval是10折交叉验证## 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，用来节省剪枝浪费的不必要的时间，R内部是怎么计算的还真不知道唉ct <- rpart.control(xval=10, minsplit=20, cp=0.1)## kyphosis是rpart这个包自带的数据集## na.action：缺失数据的处理办法，默认为删除因变量缺失的观测而保留自变量缺失的观测。 ## 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）## 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”fit <- rpart(Kyphosis~Age + Number + Start, data=kyphosis, method="class",control=ct， parms = list(prior = c(0.65,0.35), split = "information"))## 作图有2种方法## 第一种：par(mfrow=c(1,3))plot(fit)text(fit,use.n=T,all=T,cex=0.9)## 第二种，这种会更漂亮一些：rpart.plot(fit, branch=1, branch.type=2, type=1, extra=102, shadow.col="gray", box.col="green", border.col="blue", split.col="red", split.cex=1.2, main="Kyphosis决策树")## 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## 交叉验证的估计误差（“xerror”列），以及标准误差(“xstd”列)，平均相对误差=xerror±xstdprintcp(fit)## 通过上面的分析来确定cp的值## 我们可以用下面的办法选择具有最小xerror的cp的办法：## prune(fit, cp= fit$cptable[which.min(fit$cptable[,"xerror"]),"CP"])fit2 <- prune(fit, cp=0.01)待续。。。。。。
注：1.在预测分类目标字段时为类别指定先验概率。先验概率是对总体（从中可提取训练数据）中的每个目标分类的总相对频率的估计。换句话说，先验概率是对预测值有任何了解之前对每个可能的目标值的概率估计。确定决策树分支准则的时候会用到，具体内部算法，我暂时还没有查到。
