R数据挖掘基础操作及算法应用案例之决策树模型

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

R数据挖掘基础操作及算法应用案例之决策树模型

程序代码
#决策树模型
#案例:iris鸢尾花分类
library(rpart) #加载包
data(iris)
iris<-iris
dim(iris)
n1=floor(0.8*dim(iris)[1]);n1
train_Num=sample(1:dim(iris)[1],n1)
train=iris[train_Num,] #训练集
test=iris[train_Num,] #测试集

#使用训练集建模
dtmodel=rpart(Species~.,method="class",train)
dtmodel
train_Pre=predict(dtmodel,train,type="class")
t=table(train$Species,train_Pre);t
train_accuracy=round((t[1,1]+t[2,2]+t[3,3])/sum(t),digits=2);train_accuracy
#训练接预测正确率

#测试集
test_Pre=predict(dtmodel,test,type="class")
tt=table(test$Species,test_Pre);tt
test_accuracy=round((tt[1,1]+tt[2,2]+tt[3,3])/sum(tt),digits=2);test_accuracy
#测试集预测正确率
运行结果
> t=table(train$Species,train_Pre);t
            train_Pre
             setosa versicolor virginica
  setosa         41          0         0
  versicolor      0         38         1
  virginica       0          4        36
> train_accuracy=round((t[1,1]+t[2,2]+t[3,3])/sum(t),digits=2);train_accuracy
[1] 0.96
> #训练接预测正确率
>
> #测试集
> test_Pre=predict(dtmodel,test,type="class")
> tt=table(test$Species,test_Pre);tt
            test_Pre
             setosa versicolor virginica
  setosa         41          0         0
  versicolor      0         38         1
  virginica       0          4        36
> test_accuracy=round((tt[1,1]+tt[2,2]+tt[3,3])/sum(tt),digits=2);test_accuracy
[1] 0.96
> #测试集预测正确率

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏1 回帖

关键词：R数据挖掘 数据挖掘 应用案例 基础操作 树模型 R数据挖掘基础操作及算法应用案例之决策树模型 决策树模型 数据挖掘算法案例 数据挖掘基础操作案例 数据挖掘

谢谢分享  刚接触R

谢谢分享

Thanks.

There are lots of packages in R that already integrated the modeling building and testing.

Here are some ones I used not limited to decision tree.

## learning method
library(glm)
library(e1071)
library(caret)
library(rpart)
library(gbm)
library(Random)

library(pROC)
library(ROCR)

Here is another article that I found helpful.

http://www.kdnuggets.com/2015/06/top-20-r-machine-learning-packages.html