大數(shù)據(jù)之r語言培訓(xùn)課件-wenkub
2024-10-25 13 本頁面
【正文】 ,5.2 R與數(shù)據(jù)挖掘,《大數(shù)據(jù)》配套PPT課件,分類與預(yù)測(cè)算法,of,44,12,5.2.1 R軟件包與常見的數(shù)據(jù)挖掘算法介紹,5.2 R與數(shù)據(jù)挖掘,《大數(shù)據(jù)》配套PPT課件,分類與預(yù)測(cè)算法—K近鄰算法,of,44,13,如果一個(gè)樣本與特征空間中的K個(gè)最相似（特征空間中最鄰近）的樣本中的大多數(shù)屬于某一個(gè)類別，則該樣本也屬于這個(gè)類別, library(kknn) data(iris) m val +prob= rep(1/m, m)) iris.learn iris.valid iris.kknn +kernel= “triangular“) summary(iris.kknn) fit table(iris.valid$Species, fit) fit setosa versicolor virginica setosa 12 0 0 versicolor 0 21 0 virginica 0 0 17,kknn函數(shù)的使用,5.2.1 R軟件包與常見的數(shù)據(jù)挖掘算法介紹,5.2 R與數(shù)據(jù)挖掘,《大數(shù)據(jù)》配套PPT課件,分類與預(yù)測(cè)算法—決策樹,of,44,14,iris數(shù)據(jù)集的決策樹,決策樹（Decision Tree）是一種依托于分類、訓(xùn)練上的預(yù)測(cè)樹，根據(jù)已知預(yù)測(cè)、歸類未來,生成樹階段,決策樹修剪階段,5.2.1 R軟件包與常見的數(shù)據(jù)挖掘算法介紹,5.2 R與數(shù)據(jù)挖掘,《大數(shù)據(jù)》配套PPT課件,分類與預(yù)測(cè)算法—支持向量機(jī),of,44,15,支持向量機(jī)（Support Vector Machine，SVM）是一個(gè)二分類的辦法，即將數(shù)據(jù)集中的數(shù)據(jù)分為兩類,SVM中的超平面對(duì)比,利用超平面分割數(shù)據(jù)集,5.2.1 R軟件包與常見的數(shù)據(jù)挖掘算法介紹,5.2 R與數(shù)據(jù)挖掘,《大數(shù)據(jù)》配套PPT課件,聚類算法及其R包,“聚類”是根據(jù)“物以類聚”的原理，將本身沒有類別的樣本聚集成不同的組（或稱為簇），并對(duì)每個(gè)簇進(jìn)行描述的過程,常用的聚類算法主要包括Kmeans聚類、層次聚類和基于密度的聚類,Kmeans聚類,層次聚類,基于密度的聚類,of,44,16,5.2.1 R軟件包與常見的數(shù)據(jù)挖掘算法介紹,5.2 R與數(shù)據(jù)挖掘,《大數(shù)據(jù)》配套PPT課件,聚類算法及其R包—Kmeans聚類,of,44,17,同一聚類中的對(duì)象相似度較高；而不同聚類中的對(duì)象相似度較小,部分鳶尾花數(shù)據(jù)的3means聚類結(jié)果,5.2.1 R軟件包與常見的數(shù)據(jù)挖掘算法介紹,5.2 R與數(shù)據(jù)挖掘,《大數(shù)據(jù)》配套PPT課件,聚類算法及其R包—層次聚類,of,44,18,一層一層地進(jìn)行聚類，可以從下而上地把小的cluster合并聚集，也可以從上而下地將大的cluster進(jìn)行分割,iris數(shù)據(jù)集中20個(gè)樣本的層次聚類結(jié)果,5.2.1 R軟件包與常見的數(shù)據(jù)挖掘算法介紹,5.2 R與數(shù)據(jù)挖掘,《大數(shù)據(jù)》配套PPT課件,聚類算法及其R包—基于密度的聚類,of,44,19,DBSCAN算法的數(shù)據(jù)集,DBSCAN算法的密度聚類結(jié)果,關(guān)鍵 參數(shù),可到距離，用于定義鄰域的大小,eps,最小數(shù)目的對(duì)象點(diǎn),MinPts,5.2.1 R軟件包與常見的數(shù)據(jù)挖掘算法介紹,5.2 R與數(shù)據(jù)挖掘,《大數(shù)據(jù)》配套PPT課件,離群點(diǎn)檢測(cè)與R包,離群點(diǎn)檢測(cè)與 R 包,單變量的離群點(diǎn)檢測(cè),
數(shù)學(xué)相關(guān)推薦
鄂ICP備17016276號(hào)-1