R: 머 신 러 닝 실전

참고:http://blog.csdn.net/liuxincumt/article/details/7527917

1 신경 망
nnet 가방# # 1

ir  
           1  ],iris3[,,  2  ],iris3[,,  3  ])  targets  
           class  .ind( c(rep(  "s"  ,  50  ), rep(  "c"  ,  50  ), rep(  "v"  ,  50  )) )  samp  
           1  :  50  ,  25  ), sample(  51  :  100  ,  25  ), sample(  101  :  150  ,  25  ))  ir1  
           2  , rang =   0.1  ,                decay = 5e-  4  , maxit =   200  )  test.cl  
           true  , pred) {   //           true   
           true  )      cres  
                table(  true  , cres)  }  test.cl(targets[-samp,], predict(ir1, ir[-samp,]))  
  #      2  ird  
           1  ], iris3[,,  2  ], iris3[,,  3  ]),                      species = factor(c(rep(  "s"  ,  50  ), rep(  "c"  ,  50  ), rep(  "v"  ,  50  ))))  ir.nn2  
           2  , rang =   0.1  ,                   decay = 5e-  4  , maxit =   200  )  table(ird$species[-samp], predict(ir.nn2, ird[-samp,], type =   "class"  ))     ：
  # weights:  19
initial  value 82.459767 
iter  10 value 27.862946
iter  20 value 7.244425
iter  30 value 3.255549
iter  40 value 3.169972
iter  50 value 2.792178
iter  60 value 1.766152
iter  70 value 1.272564
iter  80 value 0.852201
iter  90 value 0.681699
iter 100 value 0.531267
iter 110 value 0.489096
iter 120 value 0.470457
iter 130 value 0.464765
iter 140 value 0.461259
iter 150 value 0.457745
iter 160 value 0.457484
iter 170 value 0.457441
iter 180 value 0.457428
iter 190 value 0.457425
final  value 0.457424 
converged
    ：
       c  s  v
  c 24  0  1
  s  0 25  0
  v  3  0 22
  
복귀
2.1 선형 회귀 트 리 (결책 트 리):
CART：Classification and Regression Trees 
데이터 세트: stagec
수량: 146 속성: pgtime pgstat age eet g2 grade gleason ploidy R code： library(rpart)  progstat = factor(stagec$pgstat, levels=  0  :  1  , labels=c(  "No"  ,  "Prog"  ))  cfit = rpart(progstat~age+eet+g2+grade+gleason+ploidy, data=stagec,method=  "class"  )  print(cfit)  par(mar=rep(  0.1  ,  4  ))  plot(cfit)  text(cfit)  
결과: 1) root 146 54 No (0.6301370 0.3698630)  
   2) grade< 2.5 61  9 No (0.8524590 0.1475410) *
   3) grade>=2.5 85 40 Prog (0.4705882 0.5294118)  
     6) g2< 13.2 40 17 No (0.5750000 0.4250000)  
      12) ploidy=diploid,tetraploid 31 11 No (0.6451613 0.3548387)  
        24) g2>=11.845 7  1 No (0.8571429 0.1428571) *
        25) g2< 11.845 24 10 No (0.5833333 0.4166667)  
          50) g2< 11.005 17  5 No (0.7058824 0.2941176) *
          51) g2>=11.005 7  2 Prog (0.2857143 0.7142857) *
      13) ploidy=aneuploid 9  3 Prog (0.3333333 0.6666667) *
     7) g2>=13.2 45 17 Prog (0.3777778 0.6222222)  
      14) g2>=17.91 22  8 No (0.6363636 0.3636364)  
        28) age>=62.5 15  4 No (0.7333333 0.2666667) *
        29) age< 62.5 7  3 Prog (0.4285714 0.5714286) *
      15) g2< 17.91 23  3 Prog (0.1304348 0.8695652) *
  
  
2.2 랜 덤 숲
무 작위 숲 은 여러 개의 결정 트 리 를 포함 하 는 분류 기 이 며, 출력 분 류 는 개별 트 리 가 출력 하 는 분류 에 의 해 결정 된다. (http://baike.baidu.com/view/5021113.htm） 
randomForest 패키지 홈 페이지:http://www.stat.berkeley.edu/~breiman/RandomForests/cc_home.htm 
2 SVM 
e1071 가방library(  "e1071"  )  model  
                           method =   "C-classification"  ,                 kernel =   "radial"  ,                 cost =   10  , gamma =   0.1  )  summary(model)  par(mar=rep(  0  ,  4  ))  plot(model, iris,         Petal.Width ~ Petal.Length,          slice = list(Sepal.Width =   3  ,Sepal.Length =   4  ))

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:

62 jar 실행 가능 exe4j 를 사용 하여 걸 수 있 는 exe 는 javax/script/Bindings 가 부족 합 니 다.

최근 실행 가능 한 jar 를 exe 로 포장 하 는 수요 가 있어 서 비교적 흔히 볼 수 있 는 exe4j 를 사용 하 였 습 니 다. 실행 가능 한 지 확인 한 다음 에 exe4j 를 사용 하여 실 행 된 jar...

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.

R: 머 신 러 닝 실전

좋은 웹페이지 즐겨찾기