决策树决策树decisiontree.PPT

  1. 1、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
  2. 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  3. 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
决策树决策树decisiontree

MAPE:數值變數預測效果評估 MAPE(Mean Absolute Percentage Error)的公式為: 各個樣本的(實際值-預測值)/實際值取絕對值後的平均 MAPE10%則預測效果為GOOD 10%MAPE20%則預測效果為OK MAPE20%則預測效果為BAD predict函數需加上type=“vector”以傳回預測值(原為type=“class”) MAPE評估的程式碼 #variable importance babies.tree$variable.importance #MAPE of train and test group bwt.train=babies$bwt[-test.index] train.pred=predict(babies.tree,newdata=babies.train,type=vector) train.MAPE=mean(abs(bwt.train-train.pred)/bwt.train) cat(MAPE(train)=,train.MAPE*100,%\n) bwt.test=babies$bwt[test.index] test.pred=predict(babies.tree,newdata=babies.test,type=vector) test.MAPE=mean(abs(bwt.test-test.pred)/bwt.test) cat(MAPE(test)=,test.MAPE*100,%\n) 資料分類範例三 函數【C5.0】檔案iris 150 records 5 fields 交叉驗證 目前為止我們使用過tree、 rpart 、 C5.0 、 ctree 、 randomForest等分類函數,分類正確率的預測又因為是取亂數,每次都不盡相同 ,所以我們希望各做10次再取平均值較為客觀 只要在程式片段以迴圈框住即可: for (i in 1:10) { … } 交叉驗證10次的執行結果 自動化交叉驗證10次 模型的部署iris 部署(deployment)就是將模型運用在新資料上,亦即先訓練舊資料再以新資料預測 新資料檔iris_new2.txt有10筆新資料,有花瓣花萼長寬但沒有種類欄位,需由我們建好的iris模型來預測,又假設交叉驗證結果是C5.0模型勝出,所以我們決定用C5.0模型來預測 因為新資料檔沒有Species欄位,因此產生的模型就無法產生混淆矩陣和正確率分析的結果 預測後的分類結果要和新資料檔合併並且輸出成一個新檔iris_all.txt 新資料與預測後的結果輸出 模型部署的程式碼 #C5.0 irisnew2.txt: 10 records library(C50) irisnew2=read.table(d:\\stella\\R\\iris_new2.txt,header=T,sep=,) #build C5.0 model iris.tree=C5.0(Species~ . ,data=iris) #predict irisnew2 iris.pred=predict(iris.tree,irisnew2,type=class) #merge predict result and output (irisall=data.frame(irisnew2,Spec.Pred=iris.pred)) write.table(irisall,d:\\stella\\R\\iris_all.txt,row.names=F) 訓練iris C5.0模型再以新資料預測 資料分類範例四 函數【C5.0】 檔案risk.xlsx 4117 records 12 fields 檔案riskNew.xlsx 12470 records 10 fields 客戶信用風險評估 1.從risk.xlsx作資料準備 2.建立C5.0模型 3.判斷欄位的重要性 4.選出重要欄位重新建模 5.模型產生的規則組集 6.模型的決策樹圖 7.訓練和測試組正確率分析 8.以新資料riskNew.xlsx來預測 1. 從risk.xlsx作資料準備 2.建立C5.0模型 3.判斷欄位的重要性 4.選出重要欄位重新建模 5.模型產生的規則組集 6.模型的決策樹圖 7.訓練和測試組正確率分析 8.以新資料riskNew.xlsx預測 Modeler的混淆矩陣和分析結果 Modeler模型的直方圖 * 分類範例一:鳶尾花各種分類模型 分類範例二:新生兒體重數值預測 分類範例四:客戶信用風險評估 4 2 3 1 2.資料分類 Classification 分類範例三:交叉驗證與部署模型 資料分類範例 一 函數【C5.0】 【tree】 【ctr

文档评论(0)

xiaozu + 关注
实名认证
内容提供者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档