############## 數(shù)據(jù)準(zhǔn)備 ############
library(neuralnet)
library(caret)
data("iris")
head(iris)
# Sepal.Length Sepal.Width Petal.Length Petal.Width Species
# 1 5.1 3.5 1.4 0.2 setosa
# 2 4.9 3.0 1.4 0.2 setosa
# 3 4.7 3.2 1.3 0.2 setosa
# 4 4.6 3.1 1.5 0.2 setosa
# 5 5.0 3.6 1.4 0.2 setosa
# 劃分訓(xùn)練集和測(cè)試集
indexes <- sample(1:150,100)
train <- iris[indexes, ]
test <- iris[-indexes, ]
xtest <- test[, -5] # 測(cè)試集去掉類(lèi)標(biāo)
ytest <- test[, 5] # 測(cè)試集的類(lèi)標(biāo)
############## NeuralNet ############
library(neuralnet)
library(caret)
nnet <- neuralnet(Species~., train, hidden = c(4,3), linear.output = FALSE)
plot(nnet)
# 對(duì)xtest進(jìn)行測(cè)試
ypred <- neuralnet::compute(nnet, xtest)
y_pre <- levels(iris$Species)[max.col(ypred$net.result)]
length(which(y_pre <-<- ytest))/length(ytest)
# 0.98
cm <- confusionMatrix(as.factor(ytest), as.factor(y_pre))
print(cm)
############## RandomForest ############
library(randomForest)
RF <- randomForest(Species ~ ., data = train, importance=TRUE, proximity=TRUE,ntree=500,mtry=2)
# 查看特征的重要性
varImpPlot(RF, main = "variable importance")
#對(duì)測(cè)試集進(jìn)行預(yù)測(cè)
pred <- predict(RF,newdata = xtest)
length(which((pred == ytest) == T))/length(ytest)
# 0.94
############## NaiveBayes ############
library(klaR)
NB <- NaiveBayes(Species ~ ., data = train,usekernel = FALSE, fL = 1)
# usekernel：是否使用核密度估計(jì)器估計(jì)密度函數(shù)畸冲。
# fL：是否進(jìn)行拉普拉斯修正媳维，默認(rèn)情況下不進(jìn)行修正忌傻。數(shù)據(jù)量較小時(shí)可以設(shè)置為1，進(jìn)行拉普拉斯修正。
knb_predict <- predict(NB,newdata = xtest)
#生成實(shí)際與預(yù)測(cè)交叉表和預(yù)測(cè)精度
table(ytest ,predict=knb_predict$class)
length(which((knb_predict$class == ytest) == T))/length(ytest)
# 0.96
############## KNN ############
library(class)
knn_predict <- knn(train[,-5], xtest, cl = train[,5], k = 5)
length(which((knn_predict == ytest) == T))/length(ytest)
# 0.98
############## SVM ############
library(e1071)
svm.model<- svm(Species ~ ., data = train)
svm.pred <- predict(svm.model,xtest)
length(which((svm.pred == ytest) == T))/length(ytest)
# 0.94
########### multinomial logistic regression #############
library(nnet)
mlr.model <- nnet::multinom(Species ~., data = train)
mlr.out <- predict(mlr.model,xtest)
length(which((mlr.out == ytest) == T))/length(ytest)
# 0.98
機(jī)器學(xué)習(xí)筆記7-R語(yǔ)言實(shí)現(xiàn)多種分類(lèi)算法
最后編輯于 ：
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
- 文/潘曉璐 我一進(jìn)店門(mén)请毛，熙熙樓的掌柜王于貴愁眉苦臉地迎上來(lái)，“玉大人瞭亮，你說(shuō)我怎么就攤上這事方仿。” “怎么了统翩？”我有些...
- 文/不壞的土叔 我叫張陵仙蚜，是天一觀的道長(zhǎng)。 經(jīng)常有香客問(wèn)我厂汗，道長(zhǎng)委粉，這世上最難降的妖魔是什么？ 我笑而不...
- 正文 為了忘掉前任娶桦，我火速辦了婚禮贾节，結(jié)果婚禮上匣掸，老公的妹妹穿的比我還像新娘。我一直安慰自己氮双，他們只是感情好碰酝，可當(dāng)我...
- 文/花漫 我一把揭開(kāi)白布。 她就那樣靜靜地躺著戴差，像睡著了一般送爸。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上暖释，一...
- 那天袭厂，我揣著相機(jī)與錄音，去河邊找鬼球匕。 笑死纹磺，一個(gè)胖子當(dāng)著我的面吹牛，可吹牛的內(nèi)容都是我干的亮曹。 我是一名探鬼主播橄杨，決...
- 文/蒼蘭香墨 我猛地睜開(kāi)眼，長(zhǎng)吁一口氣：“原來(lái)是場(chǎng)噩夢(mèng)啊……” “哼照卦！你這毒婦竟也來(lái)了式矫？” 一聲冷哼從身側(cè)響起，我...
- 序言：老撾萬(wàn)榮一對(duì)情侶失蹤役耕，失蹤者是張志新（化名）和其女友劉穎采转，沒(méi)想到半個(gè)月后，有當(dāng)?shù)厝嗽跇?shù)林里發(fā)現(xiàn)了一具尸體瞬痘，經(jīng)...
- 正文 獨(dú)居荒郊野嶺守林人離奇死亡故慈，尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
- 正文 我和宋清朗相戀三年，在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了框全。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片察绷。...
- 正文 年R本政府宣布情萤，位于F島的核電站，受9級(jí)特大地震影響摹恨，放射性物質(zhì)發(fā)生泄漏筋岛。R本人自食惡果不足惜，卻給世界環(huán)境...
- 文/蒙蒙 一晒哄、第九天 我趴在偏房一處隱蔽的房頂上張望睁宰。 院中可真熱鬧肪获，春花似錦、人聲如沸柒傻。這莊子的主人今日做“春日...
- 文/蒼蘭香墨 我抬頭看了看天上的太陽(yáng)红符。三九已至青柄，卻和暖如春，著一層夾襖步出監(jiān)牢的瞬間预侯，已是汗流浹背致开。 一陣腳步聲響...
- 正文 我出身青樓，卻偏偏與公主長(zhǎng)得像糜芳，于是被迫代替她去往敵國(guó)和親飒货。 傳聞我的和親對(duì)象是個(gè)殘疾皇子，可洞房花燭夜當(dāng)晚...
推薦閱讀更多精彩內(nèi)容
- 一看到logistics回歸分類(lèi)器耍目，第一反應(yīng)這個(gè)不是統(tǒng)計(jì)上的logistics回歸嘛膏斤，其實(shí)是一樣的徐绑，之前也給大家寫(xiě)...
- 本文是我自己動(dòng)手用R語(yǔ)言寫(xiě)的實(shí)現(xiàn)分類(lèi)樹(shù)的代碼邪驮，以及在此基礎(chǔ)上寫(xiě)的袋裝法（bagging）和隨機(jī)森林（random ...
- 從今天開(kāi)始給大家寫(xiě)機(jī)器學(xué)習(xí)算法，這個(gè)東西并不是大多數(shù)人想象的那么高深傲茄，也不是說(shuō)編程的人毅访，搞計(jì)算機(jī)的人才能學(xué)習(xí)使用，...
- 基于決策數(shù)的分類(lèi)方法是一種非常直觀的盘榨，非常好解釋的喻粹，初中生都可以看得懂的分類(lèi)算法，所以今天就給大家寫(xiě)寫(xiě)這個(gè)簡(jiǎn)單實(shí)用...
- 各位讀者朋友們大家好啊草巡，最近有不少讀者私信我說(shuō)關(guān)于單臂實(shí)驗(yàn)的meta分析能不能出個(gè)教程守呜，尤其是對(duì)于單臂連續(xù)型變量，...
