벡터기의 R 구현 지원
데이터 준비:
credit.csv("credit.csv")
str(credit)
dim(credit) # 、
set.seed(123)
x1:1000,200)
credit_train=credit[-x,]
credit_test=credit[x,] # 20%
모델 설정:
library(kernlab) # ksvm
classifierdefault~.,data=credit_train,kernel="rbfdot") # ,
모델 성능 검토:
default_predictionsdefault,y=default_predictions,prop.chisq = F)
# :
# | default_predictions
#credit_test$default | no | yes | Row Total |
#--------------------|-----------|-----------|-----------|
# no | 133 | 11 | 144 |
# | 0.924 | 0.076 | 0.720 |
# | 0.796 | 0.333 | |
# | 0.665 | 0.055 | |
#--------------------|-----------|-----------|-----------|
# yes | 34 | 22 | 56 |
# | 0.607 | 0.393 | 0.280 |
# | 0.204 | 0.667 | |
# | 0.170 | 0.110 | |
#--------------------|-----------|-----------|-----------|
# Column Total | 167 | 33 | 200 |
# | 0.835 | 0.165 | |
#--------------------|-----------|-----------|-----------|
다중 분류: 아이리스 데이터 사용
y=sample(1:150,30)
iris_trainiris_testiris_test
multiSpecies~.,data=iris_train,kernel="rbfdot")
predictions_speciestable(iris_test$Species,predictions_species)
결과:
predicted_species
actual species
setosa
versicolor
virginica
setosa
11
0
0
versicolor
0
6
0
virginica
0
1
12
이 내용에 흥미가 있습니까?
현재 기사가 여러분의 문제를 해결하지 못하는 경우 AI 엔진은 머신러닝 분석(스마트 모델이 방금 만들어져 부정확한 경우가 있을 수 있음)을 통해 가장 유사한 기사를 추천합니다:
형태소 분석은 데스크톱을 구성하는 데 도움이?문자×기계 학습에 흥미를 가져와 개인 범위의 용도를 생각해, 폴더 정리에 사용할 수 있을까 생각해 검토를 시작했습니다. 이번 검토에서는 폴더 구성 & text의 읽기 → mecab × wordcloud를 실시하고 있...
텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
CC BY-SA 2.5, CC BY-SA 3.0 및 CC BY-SA 4.0에 따라 라이센스가 부여됩니다.