• 如果觉得本站不错,可以收藏本站
  • 本站关注Google Analytics、Adobe Analytics和广告技术
  • Google Analytics和Google Tag Manager视频课程第三版http://edu.ichdata.com

机器学习——决策树

R语言 黄业忠 4年前 (2016-10-08) 3450次浏览 已收录 0个评论

1 自行寻找在R中实现bagging和adaboost的包,然后分别用来对iris数据集进行分类观察效果

install.packages("ipred")
install.packages("adabag")

library(ipred)
model.bagging=bagging(Species~.,data=iris,)
pre.bagging=predict(model.bagging,iris)
table(pre.bagging,iris$Species)           

library(adabag)
model.boosting=boosting(Species~.,data=iris)
pre.boosting=predict(model.boosting,iris)
pre.boosting$confusion
pre.boosting$error

机器学习——决策树

机器学习——决策树
2 使用rpart包建立其内置的kyphosis数据集(其内容意义可以参考rpart的介绍文档)的决策树模型,使用rpart.plot包画出该模型的决策树

install.packages("rpart.plot")
install.packages("rpart")
library(rpart)
library(rpart.plot)
fit=rpart(Kyphosis~.,data=kyphosis,method = "class")
rpart.plot(fit,branch = 0,branch.type=0,type=1,extra=102)

机器学习——决策树
3 试用随机森林算法对上述kyphosis数据集构建分类器并观察结果

library(randomForest)
model.forest=randomForest(Kyphosis~.,data=kyphosis)
pre.forest=predict(model.forest,kyphosis)
table(pre.forest,kyphosis$Kyphosis)  

机器学习——决策树


GA小站, 版权所有丨如未注明 , 均为原创

转载请注明标题:机器学习——决策树
链接:https://www.ichdata.com/decision-tree.html

喜欢 (0)
发表我的评论
取消评论
表情 贴图 加粗 删除线 居中 斜体 签到

Hi,您需要填写昵称和邮箱!

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址