- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
在我的 dataset
中,我有一个二进制 Target
(0 或 1)变量和 8 个特征:nchar
、rtc
、Tmean
、week_day
、hour
、ntags
、nlinks
和 下一个
。 week_day
是一个因素,而其他因素是数字。我正在尝试构建决策树分类器:
library(caTools)
set.seed(123)
split = sample.split(dataset$Target, SplitRatio = 0.75)
training_set = subset(dataset, split == TRUE)
test_set = subset(dataset, split == FALSE)
# Feature Scaling
training_set[-c(2,4)] = scale(training_set[-c(2,4)])
test_set[-c(2,4)] = scale(test_set[-c(2,4)])
# Fitting Decision Tree Classification to the Training set
# install.packages('rpart')
library(rpart)
classifier = rpart(formula = Target ~ .,
data = training_set)
# Predicting the Test set results
y_pred = predict(classifier, newdata = test_set[-2], type = 'class')
# Making the Confusion Matrix
cm = table(test_set[, 2], y_pred)
plot(classifier, uniform=TRUE,margin=0.2)
绘图的结果如下:
我有三个不知道答案的问题:
rtc
)week_day
中的 aefg
是什么意思?Target
变量为 0 对 1)?例如:在 Target=1
中,我们拥有所有包含 nchar>0.19
的行,并且ntags>1.9
等最佳答案
这里有一些数据的解释,你可以在包 rpart
中获取:
library(rpart) # for decision tree
library(rattle) # to do a nicer plot
progstat <- factor(stagec$pgstat, levels = 0:1, labels = c("No", "Prog"))
cfit <- rpart(progstat ~ age + eet + g2 + grade + gleason + ploidy,
data = stagec,
method ='class')
问题一:为什么有些变量会out?
因为这些变量对您的模型没有用,或者更确切地说,您已经告诉您的模型不要在参数 cp
(默认值 = 0.01)下获取变量。
看着the doc对于 cp
参数:
(...)Essentially,the user informs the program that any split which does notimprove the fit by cp will likely be pruned off by cross-validation,and that hence the program need not pursue it.
我认为该文档在技术上比我解释得更好,如果我必须用简单的词来讲述它,cp
参数设置了节点“效用”的基线。
如果节点是由无用变量创建的,则会将其删除,因此不会出现无用(阅读:变量在模型中没有更多信息)变量。尝试在您的模型中设置参数,您将看到它是如何变化的。在我的例子中,eet
变量不可用。
发送这个:
summary(cfit)
Call:
rpart(formula = progstat ~ age + eet + g2 + grade + gleason +
ploidy, data = stagec, method = "class")
n= 146
CP nsplit rel error xerror xstd
1 0.10493827 0 1.0000000 1.0000000 0.1080241
2 0.05555556 3 0.6851852 1.0555556 0.1091597
3 0.02777778 4 0.6296296 0.9629630 0.1071508
4 0.01851852 6 0.5740741 0.9629630 0.1071508
5 0.01000000 7 0.5555556 0.9814815 0.1075992
Variable importance
g2 grade gleason ploidy age eet
30 28 20 13 7 2
(... it continues...)
你可以看到 eet
是最不重要的。
问题 2:week_day
中的 aefg
是什么意思?
这意味着拆分是由左边的一些 week_day
和右边的一些进行的。它应该是一个分类变量。
尝试使用这个,而不是经典情节:
fancyRpartPlot(cfit, caption = NULL)
你可以看到倍体和四倍体被送到左边,另一个在右边。来自 here :
(...)The tree is arranged so that the “more severe” nodes go to theright
问题 3:有没有一种方法可以描述不同的类别(Target 变量为 0 与 1)?
在这种情况下,变量是 progstat
,但您可以将解释传输到您的变量。
这就是我在情节中阅读这些结果的一般方式:
查看第一个节点(最重要的):它告诉我们 63% 是“否”,37% 是“prog”(读作是)。该节点覆盖了 100% 的人口。
第二个最重要的节点是 2,接受的变量是 grade
< 2.5。否则,您将进入节点三。
如果您向左走,则您拥有 42% 的人口。那个人口的标签是No,但是,85%的人口是真正的No,其他的都是错误的No。
长话短说
这意味着“总体人口分为 No 和 Prog,分别为 63% 和 27%。
如果变量 grade
为 < 2.5,模型表示在我们的数据中,42%的人口具有 grade
的值,在这 42% 的人中,85% 的人的结果为 No。可能 grade
和因变量“no”的结果是保税”。
通过这种方式,您可以检查绘图中的所有节点,还可以使用 summary()
来查看最重要的模式。
在你的情节中,你可以说“如果 ntags
> 1.952 和 nchar
< 0.1449,那么我有一个 0。
关于r - 绘制决策树分类器,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/66713251/
我正在尝试使用 Pandas 和 scikit-learn 在 Python 中执行分类。我的数据集包含文本变量、数值变量和分类变量的混合。 假设我的数据集如下所示: Project Cost
我想要一种图形化且有吸引力的方式来表示二进制数据的列总和,而不是表格格式。我似乎无法让它发挥作用,尽管有人会认为这将是一次上篮。 数据看起来像这样(我尝试创建一个可重现的示例,但无法让代码填充 0 和
我有一个简单的类别模型: class Category(models.Model): name = models.CharField(max_length=200) slug = mo
我正在开发一个知识系统,当用户进入一道菜时,该系统可以返回酒。我的想法是根据用户的输入为每个葡萄酒类别添加分数,然后显示最适合的葡萄酒类别的前 3 个。例如,如果有人输入鱼,那么知识库中的所有红葡萄酒
我目前正在研究流失问题的预测模型。 每当我尝试运行以下模型时,都会收到此错误:至少一个类级别不是有效的 R 变量名称。这将在生成类概率时导致错误,因为变量名称将转换为 X0、X1。请使用可用作有效 R
如何对栅格重新分类(子集)r1 (与 r2 具有相同的尺寸和范围)基于 r2 中的以下条件在给定的示例中。 条件: 如果网格单元格值为 r2是 >0.5 ,保留>0.5中对应的值以及紧邻0.5个值的相
我想知道在 java 中进行以下分类的最佳方法是什么。例如,我们有一个简单的应用程序,其分类如下: 空气 -----电机类型 -----------平面对象 -----非电机型 -----------
这是一个非常基本的示例。但我正在做一些数据分析,并且不断发现自己编写非常类似的 SQL 计数查询来生成概率表。 我的表被定义为值 0 表示事件未发生,而值 1 表示事件确实发生。 > sqldf(
假设我有一组护照图像。我正在开展一个项目,我必须识别每本护照上的姓名,并最终将该对象转换为文本。 对于标签(或分类(我认为是初学者))的第一部分,每本护照上都有姓名,我该怎么做? 我可以使用哪些技术/
我有这张图片: 我想做的是在花和树之间对这张图片进行分类,这样我就可以找到图片中被树木覆盖的区域,以及被那些花覆盖的区域。 我在想这可能是某种 FFT 问题,但我不确定它是如何工作的。单个花的 FFT
我的数据集有 32 个分类变量和一个数值连续变量(sales_volume) 首先,我使用单热编码 (pd.get_dummies) 将分类变量转换为二进制,现在我有 1294 列,因为每一列都有多个
我正在尝试学习一些神经网络来获得乐趣。我决定尝试从 kaggle 的数据集中对一些神奇宝贝传奇卡进行分类。我阅读了文档并遵循了机器学习掌握指南,同时阅读了媒体以尝试理解该过程。 我的问题/疑问:我尝试
我目前正在进行推文情绪分析,并且有几个关于步骤的正确顺序的问题。请假设数据已经过相应的预处理和准备。所以这就是我将如何进行: 使用 train_test_split(80:20 比例)停止测试数据集。
一些上下文:Working with text classification and big sparse matrices in R 我一直在研究 text2vec 的文本多类分类问题。包装和 ca
数据 我有以下(简化的)数据集,我们称之为 df从现在开始: species rank value 1
我一直在尝试创建一个 RNN。我总共有一个包含 1661 个单独“条目”的数据集,每个条目中有 158 个时间序列坐标。 以下是一个条目的一小部分: 0.00000000e+00 1.9260968
我有一个关于机器学习的分类和回归问题。第一个问题,以下数据集 http://it.tinypic.com/view.php?pic=oh3gj7&s=8#.VIjhRDGG_lF 我们可以说,数据集是
我用1~200个数据作为训练数据,201~220个作为测试数据格式如下:3 个类(类 1、类 2、类 3)和 20 个特征 2 1:100 2:96 3:88 4:94 5:96 6:94 7:72
我有 2 个基于多个数字特征(例如 v1….v20)的输出类别(好和差)。 如果 v1、v2、v3 和 v4 为“高”,则该类别为“差”。如果 v1、v2、v3 和 v4 为“低”,则该类别为“好”
我遇到了使用朴素贝叶斯将文档分类为各种类别问题的问题。 实际上我想知道 P(C) 或我们最初掌握的类别的先验概率会随着时间的推移而不断变化。例如,对于类(class) - [音乐、体育、新闻] 初始概
我是一名优秀的程序员,十分优秀!