《R语言与数据挖掘》⑥-④分类与预测建模【KNN算法】
KNN 算法即K最近邻(k-Nearest Neighbor)分类算法,是一个理论上比较成熟的方法。kknn()函数knn()函数train()函数# KNN算法setwd("F:\\桌面")# 设置工作空间Data <- read.csv("./test.txt",sep = '\t')# 读入数据Data[, "MN"] <- as.factor(Data[, "MN"])# 将目
·
KNN 算法即K最近邻(k-Nearest Neighbor)分类算法,是一个理论上比较成熟的方法。
kknn()函数
knn()函数
train()函数
# KNN算法
setwd("F:\\桌面") # 设置工作空间
Data <- read.csv("./test.txt",sep = '\t') # 读入数据
Data[, "MN"] <- as.factor(Data[, "MN"]) # 将目标变量转换成因子型
set.seed(1234) # 设置随机种子
# 数据集随机抽70%定义为训练数据集,30%为测试数据集
ind <- sample(2, nrow(Data), replace = TRUE, prob = c(0.7, 0.3))
traindata <- Data[ind == 1, ]
testdata <- Data[ind == 2, ]
# 使用kknn函数建立knn分类模型
library(kknn) # 加载kknn包
# knn分类模型
kknn.model <- kknn(MN ~ ., train = traindata, test = traindata, k = 5) # 训练数据
kknn.model2 <- kknn(MN ~ ., train = traindata, test = testdata, k = 5) # 测试数据
summary(kknn.model) # 输出模型概要
# 预测结果
train_predict <- predict(kknn.model) # 训练数据
test_predict <- predict(kknn.model2) # 测试数据
# 输出训练数据的混淆矩阵
(train_confusion <- table(actual = traindata$MN, predictedclass = train_predict))
# 输出测试数据的混淆矩阵
(test_confusion <- table(actual = testdata$MN, predictedclass = test_predict))
# 使用knn函数建立knn分类模型
library(class) # 加载class包
# 建立knn分类模型
knn.model <- knn(traindata, testdata, cl = traindata[, "MN"])
# 输出测试数据的混淆矩阵
(test_confusion = table(actual = testdata$MN, predictedclass = knn.model))
# 使用train函数建立knn分类模型
library(caret) # 加载caret包
# 建立knn分类模型
train.model <- train(traindata, traindata[, "MN"], method = "knn")
# 预测结果
train_predict <- predict(train.model, newdata = traindata) #训练数据集
test_predict <- predict(train.model, newdata = testdata) #测试数据集
# 输出训练数据的混淆矩阵
(train_confusion <- table(actual = traindata$MN, predictedclass = train_predict))
# 输出测试数据的混淆矩阵
(test_confusion <- table(actual = testdata$MN, predictedclass = test_predict))
更多推荐
所有评论(0)