- A+
R语言有很多包可以做机器学习(Machine Learning)的任务。机器学习的任务主要有有监督的学习方式和无监督的学习方式。
- 有监督学习:在正确结果指导下的学习方式,若是正确结果是定性的,属于分类问题;若正确结果是定量的,属于回归问题。
- 无监督学习:在没有正确结果指导下的学习方式,例如:聚类分析、降维处理等
有很多R包可以做机器学习,本文介绍RForML之核心包:e1071
一、 e1071包简介
e1071包为什么命名e1071,详见:https://www.quora.com/Why-is-the-R-package-e1071-named-so 。
e1071包实现了机器学习里面的SVM(支持向量机)算法,NB(朴素贝叶斯)算法、模糊聚类算法、装袋聚类算法等。
二、e1071包安装和加载
e1071包是R的扩展包,需要先安装,再加载,才能使用这个包里面函数做机器学习任务。
安装和加载e1071包的代码
- if(!suppressWarnings(require(e1071)))
- {
- install.packages('e1071')
- require(e1071)
- }
三、e1071包做机器学习
e1071包做预测,即分类和回归。
1、分类问题
利用SVM算法对UCI的glass数据进行分类
- SVM算法
- R代码
- ##第一步:载入mlbench的Glass数据集
- if(!suppressWarnings(require(mlbench)))
- {
- install.packages('mlbench')
- require(mlbench)
- }
- data(Glass, package="mlbench")
- ##第二步:数据集划分:训练集和测试集
- index <- 1:nrow(Glass)
- testindex <- sample(index, trunc(length(index)/3))
- testset <- Glass[testindex,]
- trainset <- Glass[-testindex,]
- ##第三步:构建SVM模型
- svm.model <- svm(Type ~ ., data = trainset, cost = 100, gamma = 1)
- ##第四步:SVM模型应用到测试数据集
- svm.pred <- predict(svm.model, testset[,-10])
- ##第五步:模型结果评估
- ##1混淆矩阵
- table(pred = svm.pred, true = testset[,10])
- ##2计算Accuracy和Kappa值
- classAgreement(table(pred = svm.pred, true = testset[,10]))
2、回归问题
- ##第一步:载入mlbench的Ozone数据集
- if(!suppressWarnings(require(mlbench)))
- {
- install.packages('mlbench')
- require(mlbench)
- }
- data(Ozone, package="mlbench")
- View(Ozone)
- ##第二步:数据集划分,训练集和测试集7:3
- index <- 1:nrow(Ozone)
- testindex <- sample(index, trunc(length(index)/3))
- trainset <- na.omit(Ozone[-testindex,-3])##忽略训练集含有缺失值的样本
- dim(trainset)
- testset <- na.omit(Ozone[testindex,-3]) ##忽略测试集含有缺失值的样本
- dim(testset)
- ##第三步:创建SVM模型
- svm.model <- svm(V4 ~ ., data = trainset, cost = 1000, gamma = 0.0001)
- ##第四步:利用SVM 模型预测目标变量的值
- svm.pred <- predict(svm.model, testset[,-3])
- ##第五步:计算MSE(Mean Squared Error)
- crossprod(svm.pred - testset[,3]) / length(testindex)
参考资料
1 SVM算法:https://en.wikipedia.org/wiki/Support_vector_machine
2 NB分类器:https://en.wikipedia.org/wiki/Naive_Bayes_classifier
3 回归算法:https://en.wikipedia.org/wiki/Regression_analysis
4 e1071包说明文档:https://cran.r-project.org/web/packages/e1071/
作者:JackWang
个人介绍:专注于从数据中学习,努力发掘数据之洞见,积极利用数据之价值。
支付宝打赏
微信打赏
赏