Print a single fitted tree from a forest object
Examples
# \donttest{
set.seed(42)
x <- matrix(rnorm(300 * 5), ncol = 5)
y <- rowSums(x[, 1:2]) + rnorm(300)
fit <- RLT(x, y, ntrees = 50)
get.one.tree(fit, tree = 1)
#> Tree #1 [Regression]
#>
#> Node Depth Split Value n NodeAve
#> ------------------------------------------------------------------------------
#> 1 0 V3 -0.4701 300 0.0000
#> 2 1 V2 0.4604 116 0.0000
#> 3 1 V4 -1.1082 184 0.0000
#> 4 2 V4 1.1059 91 0.0000
#> 5 2 V5 -1.8873 25 0.0000
#> 6 3 V3 -0.6214 82 0.0000
#> 7 3 V4 1.7088 9 0.0000
#> 8 4 V3 -0.7773 68 0.0000
#> 9 4 V4 0.1974 14 0.0000
#> 10 5 V2 -0.2497 52 0.0000
#> 11 5 V3 -0.6380 16 0.0000
#> 12 6 V4 0.6600 35 0.0000
#> 13 6 V3 -1.0439 17 0.0000
#> 14 7 V2 -1.5155 33 0.0000
#> 15 7 * - 2 0.2548
#> 16 8 * - 4 -2.8564
#> 17 8 V4 -1.8109 29 0.0000
#> 18 9 * - 1 0.7996
#> 19 9 V1 -0.8634 28 0.0000
#> 20 10 V2 -0.4855 8 0.0000
#> 21 10 V1 0.5511 20 0.0000
#> 22 11 V3 -1.1852 6 0.0000
#> 23 11 * - 2 -3.3620
#> 24 12 * - 1 -2.0125
#> 25 12 * - 5 -2.3932
#> 26 11 V2 -1.2968 19 0.0000
#> 27 11 * - 1 1.0897
#> 28 12 V1 0.3317 8 0.0000
#> 29 12 V2 -0.2880 11 0.0000
#> 30 13 V3 -0.9887 6 0.0000
#> 31 13 * - 2 -2.5712
#> 32 14 * - 3 -1.1405
#> 33 14 * - 3 -1.5424
#> 34 13 V1 0.1407 6 0.0000
#> 35 13 * - 5 -1.4179
#> 36 14 * - 4 -0.5281
#> 37 14 * - 2 -1.1824
#> 38 7 V5 1.1241 12 0.0000
#> 39 7 * - 5 0.3882
#> 40 8 V5 -0.3317 10 0.0000
#> 41 8 * - 2 0.5475
#> 42 9 * - 1 -2.2046
#> 43 9 V2 0.4224 9 0.0000
#> 44 10 V4 -0.4065 7 0.0000
#> 45 10 * - 2 -1.2014
#> 46 11 * - 5 -0.5062
#> 47 11 * - 2 -0.9881
#> 48 6 V3 -0.6490 13 0.0000
#> 49 6 * - 3 0.5571
#> 50 7 V5 -1.0591 11 0.0000
#> 51 7 * - 2 -1.2449
#> 52 8 * - 3 -0.7877
#> 53 8 V2 0.2470 8 0.0000
#> 54 9 V1 -0.4443 6 0.0000
#> 55 9 * - 2 0.9329
#> 56 10 * - 2 -0.5279
#> 57 10 * - 4 0.3292
#> 58 5 V2 -0.6772 12 0.0000
#> 59 5 * - 2 0.6826
#> 60 6 V2 -1.1650 6 0.0000
#> 61 6 V2 -0.4379 6 0.0000
#> 62 7 * - 3 -2.5320
#> 63 7 * - 3 -0.7439
#> 64 7 * - 4 -3.4920
#> 65 7 * - 2 -1.5944
#> 66 4 V3 -1.6089 6 0.0000
#> 67 4 * - 3 -0.4589
#> 68 5 * - 3 -2.1681
#> 69 5 * - 3 -4.7032
#> 70 3 * - 4 3.2170
#> 71 3 V3 -1.1149 21 0.0000
#> 72 4 V5 -0.5899 8 0.0000
#> 73 4 V1 -0.0855 13 0.0000
#> 74 5 * - 1 -1.0734
#> 75 5 V1 0.0075 7 0.0000
#> 76 6 * - 4 -0.1184
#> 77 6 * - 3 1.4230
#> 78 5 * - 2 0.3056
#> 79 5 V3 -1.0231 11 0.0000
#> 80 6 V2 0.6041 7 0.0000
#> 81 6 * - 4 3.0636
#> 82 7 * - 2 0.9357
#> 83 7 * - 5 2.1165
#> 84 2 V3 0.3062 20 0.0000
#> 85 2 V1 0.1867 164 0.0000
#> 86 3 * - 2 0.9612
#> 87 3 V1 -0.8734 18 0.0000
#> 88 4 * - 5 0.2927
#> 89 4 V5 0.9128 13 0.0000
#> 90 5 V4 -1.3235 12 0.0000
#> 91 5 * - 1 0.1765
#> 92 6 V2 -0.0700 7 0.0000
#> 93 6 * - 5 -1.1036
#> 94 7 V1 0.5251 6 0.0000
#> 95 7 * - 1 -1.0787
#> 96 8 * - 5 -2.4585
#> 97 8 * - 1 -1.2561
#> 98 3 V2 0.1256 100 0.0000
#> 99 3 V1 1.1861 64 0.0000
#> 100 4 V5 1.5607 56 0.0000
#> 101 4 V1 -1.2262 44 0.0000
#> 102 5 V1 -0.7163 54 0.0000
#> 103 5 * - 2 -2.6379
#> 104 6 V4 0.2204 16 0.0000
#> 105 6 V2 -0.3624 38 0.0000
#> 106 7 V5 -0.4030 9 0.0000
#> 107 7 V1 -1.3362 7 0.0000
#> 108 8 * - 2 -2.7091
#> 109 8 V2 -0.7291 7 0.0000
#> 110 9 * - 1 -0.9411
#> 111 9 V3 0.0829 6 0.0000
#> 112 10 * - 1 -2.3888
#> 113 10 * - 5 -2.0734
#> 114 8 * - 2 -1.8898
#> 115 8 * - 5 -1.2646
#> 116 7 V2 -0.9803 29 0.0000
#> 117 7 V2 0.0093 9 0.0000
#> 118 8 V4 0.6598 14 0.0000
#> 119 8 V1 0.0033 15 0.0000
#> 120 9 V4 0.3425 12 0.0000
#> 121 9 * - 2 -2.0192
#> 122 10 V1 -0.4660 8 0.0000
#> 123 10 * - 4 -0.0068
#> 124 11 * - 2 0.0371
#> 125 11 V4 0.2506 6 0.0000
#> 126 12 * - 5 -1.1778
#> 127 12 * - 1 -2.0726
#> 128 9 V1 -0.2122 14 0.0000
#> 129 9 * - 1 -3.0111
#> 130 10 V5 -0.6483 10 0.0000
#> 131 10 * - 4 -1.4738
#> 132 11 V3 0.3134 6 0.0000
#> 133 11 * - 4 -1.2414
#> 134 12 * - 4 -1.3406
#> 135 12 * - 2 -1.4996
#> 136 8 V1 -0.2712 7 0.0000
#> 137 8 * - 2 -1.4333
#> 138 9 * - 2 -0.1377
#> 139 9 * - 5 0.5433
#> 140 5 V3 0.5087 15 0.0000
#> 141 5 V3 0.1321 29 0.0000
#> 142 6 V4 -0.6937 8 0.0000
#> 143 6 V3 2.2968 7 0.0000
#> 144 7 * - 1 -1.3102
#> 145 7 V2 0.6549 7 0.0000
#> 146 8 * - 3 -0.7177
#> 147 8 * - 4 -0.6116
#> 148 7 V3 1.3069 6 0.0000
#> 149 7 * - 1 -1.4424
#> 150 8 * - 5 0.8089
#> 151 8 * - 1 0.1386
#> 152 6 V3 -0.0252 14 0.0000
#> 153 6 V5 -1.1432 15 0.0000
#> 154 7 V1 -0.7778 11 0.0000
#> 155 7 * - 3 2.5565
#> 156 8 * - 1 -0.5147
#> 157 8 V5 -0.4139 10 0.0000
#> 158 9 V3 -0.1454 6 0.0000
#> 159 9 * - 4 1.6372
#> 160 10 * - 5 0.8885
#> 161 10 * - 1 -0.0431
#> 162 7 * - 1 3.0204
#> 163 7 V3 1.0181 14 0.0000
#> 164 8 V4 0.6083 10 0.0000
#> 165 8 * - 4 0.9721
#> 166 9 V3 0.3778 6 0.0000
#> 167 9 * - 4 -0.6397
#> 168 10 * - 1 1.0787
#> 169 10 * - 5 0.1690
#> 170 4 V2 0.1615 49 0.0000
#> 171 4 V4 -0.6112 15 0.0000
#> 172 5 V1 0.5951 22 0.0000
#> 173 5 V4 0.2077 27 0.0000
#> 174 6 V3 0.8126 8 0.0000
#> 175 6 V4 -0.1388 14 0.0000
#> 176 7 * - 5 -0.7871
#> 177 7 * - 3 0.2903
#> 178 7 V4 -0.8848 8 0.0000
#> 179 7 V5 -0.5175 6 0.0000
#> 180 8 * - 3 0.5180
#> 181 8 * - 5 -0.2449
#> 182 8 * - 1 2.1098
#> 183 8 * - 5 0.4585
#> 184 6 V2 0.9491 13 0.0000
#> 185 6 V5 -1.5518 14 0.0000
#> 186 7 V2 0.9229 7 0.0000
#> 187 7 V2 1.2327 6 0.0000
#> 188 8 * - 5 1.3717
#> 189 8 * - 2 -0.1155
#> 190 8 * - 3 1.9351
#> 191 8 * - 3 2.9511
#> 192 7 * - 2 3.0813
#> 193 7 V1 0.8776 12 0.0000
#> 194 8 V1 0.2831 10 0.0000
#> 195 8 * - 2 2.9964
#> 196 9 * - 2 2.5141
#> 197 9 V1 0.3289 8 0.0000
#> 198 10 * - 2 1.8266
#> 199 10 V4 0.6686 6 0.0000
#> 200 11 * - 2 2.3444
#> 201 11 * - 4 2.1438
#> 202 5 * - 1 0.9567
#> 203 5 V5 -0.6517 14 0.0000
#> 204 6 V5 -0.9326 7 0.0000
#> 205 6 V2 0.0852 7 0.0000
#> 206 7 * - 4 2.3360
#> 207 7 * - 3 2.0068
#> 208 7 * - 2 2.3758
#> 209 7 * - 5 3.4086
# }