r語言課程設(shè)計(編輯修改稿)
2025-08-31 22:50 本頁面
【文章內(nèi)容簡介】 3 1 0 0 1 4 6 0 0 5上述混淆矩陣的行表示實際的類別，列表示預(yù)測判定的類別。在54個測試樣本中，實際屬于第1類的有35個，而由判定結(jié)果，在35個樣本中，有32個判定正確，有3個被錯判為第4類；第2類只有1個判定正確，有2個被錯判為第1類，3個被錯判為第4類；第3類沒有一個判定正確；第4類有5個判定正確，6個被錯判為第1類。從矩陣中只能看出每一類別的預(yù)測結(jié)果與實際類別的差距，只是一個直觀的判斷，并不能由此看出該模型的優(yōu)劣，所以我們需要構(gòu)造一個數(shù)量指標（誤判概率 = 矩陣非對角線之和/樣本總量），通過這個指標來確定模型的優(yōu)劣。 e_ldasum((pred$class)!=y)/nrow(x) e_lda[1] 通過計算，%，可以看出該模型的預(yù)測效果并不好，因此需要進一步的改進。從上文中我們知道，使用Fisher判別要求各組變量的均值有顯著性差異，從上述結(jié)果已經(jīng)知道降雨量在各類別下的均值差異性很小，所以我們可以考慮將其剔除，通過計算各變量在各類別下均值的方差，來作為剔除某一變量的理論依據(jù)。 var=c(var(lda$means[,1]),var(lda$means[,2]),+ var(lda$means[,3]),var(lda$means[,4])) var[1] 從結(jié)果來看，x4在各類別下均值的方差相對其他三者而言差別較大，因此考慮將其剔除，然后重新進行線性判別分析。 lda2lda(y~x1+x2+x3,data=x) 線性判別 pred2predict(lda2,x[,1:3]) table(y,pred2$class)y 1 2 3 4 1 33 0 0 2 2 3 0 0 3 3 1 0 0 1 4 5 0 0 6 e_lda2sum((pred2$class)!=y)/nrow(x) e_lda2[1] 從誤判率的角度來看，%，相對原來的模型有所降低；但從混淆矩陣來看，對于第2類和第3類的誤判率為100%，這相對原來的模型更難讓人接受。兩個模型各有好壞，但整體而言，都不是很好。3．模型應(yīng)用如果運用上述兩個模型對未來進行預(yù)測的話，只需將所需要的變量存放至一個新的數(shù)據(jù)框，需要注意的是，數(shù)據(jù)框中各變量的名字需要和建立模型時使用的數(shù)據(jù)框中各變量的名稱一樣，即平均氣溫、最低氣溫、日照時間、降雨量分別用x1～x4來表示。然后直接運用模型來給出預(yù)測結(jié)果。(三).BP神經(jīng)網(wǎng)絡(luò)安裝并加載軟件包nnet。 (“nnet”) library(nnet)首先在建模之前，先介紹軟件包nnet中的一個函數(shù)：()。該函數(shù)可以通過類別變量的因子變量來生成一個類指標矩陣。下面通過一個簡單的例子來更清楚地表明該函數(shù)的功能。 z=c(1,2,3) 定義一個水平數(shù)為3的向量 (z) 1 2 3[1,] 1 0 0[2,] 0 1 0[3,] 0 0 1從輸出結(jié)果可以看到，該函數(shù)主要是將向量變成一個矩陣，其中每行代表一個樣本。只是將樣本的類別用0和1來表示，即如果是該類，則在該類別名下用1表示，而其余的類別名下面用0表示。將數(shù)據(jù)框的前4列作為自變量數(shù)據(jù)，(y)作為類別變量數(shù)據(jù)，設(shè)置隱藏層節(jié)點個數(shù)為4，模型的最大迭代次數(shù)為1000次，用來防止模型的死循環(huán)。之后用核心函數(shù)nnet()來建立神經(jīng)網(wǎng)絡(luò)模型。 model=nnet(x[1:4],(y),data=x,size=4,+ decay=5e4,maxit=1000) 神經(jīng)網(wǎng)絡(luò) p=x[,1:4] 測試集定為原始數(shù)據(jù) pred3=predict(model,p) 對測試集進行預(yù)測 head(pred3) 預(yù)測結(jié)果的部分顯示 1 2 3 4[1,] [2,] [3,] [4,] [5,] [6,] 上述結(jié)果的每一行代表測試集中的每一個樣本，其判別準則為：每一行中最大值所在的列名即為該樣本所屬的類別。
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1