R语言机器学习之caret包运用
在大数据如火如荼的时候，机器学习无疑成为了炙手可热的工具，机器学习是计算机科学和统计学的交叉学科，
旨在通过收集和分析数据的基础上，建立一系列的算法，模型对实际问题进行预测或分类。
R语言无疑为我们提供了很好的工具，它正是计算机科学和统计科学结合的产物，开源免费，
相对于Python、Orange Canvas、Weka、Kinme这些免费的数据挖掘软件来说，更容易上手，统计图形也更加美观。
今天在这里和大家介绍一下Caret机器学习包的一些基本用法。
一、数据收集
下载kernlab包里的spam数据集，spam是一个邮件数据集，共有4601个观测值，58个变量，最后一个变量是一个二值变量，“spam”和“no spam”，我们要做的工作就是通过建立模型了预测观测值是否为“spam”。首先加载软件包和数据集：
> library(caret)
载入需要的程辑包：lattice
载入需要的程辑包：ggplot2
警告信息：
1: 程辑包‘caret’是用R版本3.1.1 来建造的
2: 程辑包‘ggplot2’是用R版本3.1.1 来建造的
> library(kernlab)
警告信息：
程辑包‘kernlab’是用R版本3.1.3 来建造的
> data(spam)
> head(spam)
make address all num3d our over remove internet order mail
1 0.00 0.64 0.64 0 0.32 0.00 0.00 0.00 0.00 0.00
2 0.21 0.28 0.50 0 0.14 0.28 0.21 0.07 0.00 0.94
3 0.06 0.00 0.71 0 1.23 0.19 0.19 0.12 0.64 0.25
4 0.00 0.00 0.00 0 0.63 0.00 0.31 0.63 0.31 0.63
5 0.00 0.00 0.00 0 0.63 0.00 0.31 0.63 0.31 0.63
6 0.00 0.00 0.00 0 1.85 0.00 0.00 1.85 0.00 0.00
receive will people report addresses free business email you
1 0.00 0.64 0.00 0.00 0.00 0.32 0.00 1.29 1.93
2 0.21 0.79 0.65 0.21 0.14 0.14 0.07 0.28 3.47
3 0.38 0.45 0.12 0.00 1.75 0.06 0.06 1.03 1.36
4 0.31 0.31 0.31 0.00 0.00 0.31 0.00 0.00 3.18
5 0.31 0.31 0.31 0.00 0.00 0.31 0.00 0.00 3.18
6 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
credit your font num000 money hp hpl george num650 lab labs telnet
1 0.00 0.96 0 0.00 0.00 0 0 0 0 0 0 0
2 0.00 1.59 0 0.43 0.43 0 0 0 0 0 0 0
3 0.32 0.51 0 1.16 0.06 0 0 0 0 0 0 0
4 0.00 0.31 0 0.00 0.00 0 0 0 0 0 0 0
5 0.00 0.31 0 0.00 0.00 0 0 0 0 0 0 0
6 0.00 0.00 0 0.00 0.00 0 0 0 0 0 0 0
num857 data num415 num85 technology num1999 parts pm direct cs
1 0 0 0 0 0 0.00 0 0 0.00 0
2 0 0 0 0 0 0.07 0 0 0.00 0
3 0 0 0 0 0 0.00 0 0 0.06 0
4 0 0 0 0 0 0.00 0 0 0.00 0
5 0 0 0 0 0 0.00 0 0 0.00 0
6 0 0 0 0 0 0.00 0 0 0.00 0
meeting original project re edu table conference charSemicolon
1 0 0.00 0 0.00 0.00 0 0 0.00
2 0 0.00 0 0.00 0.00 0 0 0.00
3 0 0.12 0 0.06 0.06 0 0 0.01
4 0 0.00 0 0.00 0.00 0 0 0.00
5 0 0.00 0 0.00 0.00 0 0 0.00
6 0 0.00 0 0.00 0.00 0 0 0.00
charRoundbracket charSquarebracket charExclamation charDollar
1 0.000 0 0.778 0.000
2 0.132 0 0.372 0.180
3 0.143 0 0.276 0.184
4 0.137 0 0.137 0.000
5 0.135 0 0.135 0.000
6 0.223 0 0.000 0.000
charHash capitalAve capitalLong capitalTotal type
1 0.000 3.756 61 278 spam
2 0.048 5.114 101 1028 spam
3 0.010 9.821 485 2259 spam
4 0.000 3.537 40 191 spam
5 0.000 3.537 40 191 spam
6 0.000 3.000 15 54 spam
二、数据划分
机器学习一般将数据划分成训练数据、验证数据（可选）、测试数据、三个部分，训练数据和验证数据用来训练模型，估计模型的具体参数，测试数据用来验证模型预测的准确程度。下面我们就对spam这个数据进行划分
inTrain <- createDataPartition(y=spam$type,p=0.75,list=FALSE)
training <- spam[inTrain, ]
testing <- spam[-inTrain, ]
nrow(training)
[1] 3451
nrow(testing)
[1] 1150
以上命令中createDataPartition( )就是数据划分函数，对象是spam$typ，p=0.75表示训练数据所占的比例为75%，list是输出结果的格式，默认list=FALSE。 training <- spam[inTrain, ]，testing <- spam[-inTrain, ]分别制定具体的训练数据和测试数据。
三、训练模型
以上的工作完成后就可以将训练数据放入训练器中对模型参数进行训练了
modelFit <- train(type~.,data=training,method="glm") train( )函数就是我们的训练器，type~是回归方程，data=training指定数据集，method="glm"指定具体的模型形式，这里我们用的是glm估计，当然读者也可以用SVM（支持向量机），nnet神经网络等其他模型形式，以下是模型的具体内容：
modelFit$finalModel
Coefficients:
(Intercept) make address all num3d
-1.989e+00 -5.022e-01 -1.702e-01 1.553e-01 3.368e+00
our over remove internet order
7.554e-01 6.682e-01 2.220e+00 5.586e-01 1.144e+00
mail receive will people report
Degrees of Freedom: 3450 Total (i.e. Null); 3393 Residual
Null Deviance: 4628
Residual Deviance: 1335 AIC: 1451（篇幅有限，中间有删减）
四、验证模型
当模型的参数全部训练完毕后，就要将测试数据带入模型中进行验证预测了
predictions <- predict(modelFit,newdata=testing)
predictions####预测结果如下
[1] spam spam spam spam spam spam spam spam spam spam spam
[12] spam spam spam spam spam spam spam spam spam spam spam
[23] nonspam spam spam spam spam spam spam nonspam spam spam spam
[34] spam spam spam spam spam spam spam spam spam spam spam
[45] spam spam spam spam spam spam spam spam spam spam spam
五、错误分类矩阵
想知道模型预测的准确率如何呢？这个时候就要用到错误分类矩阵了，将模型预测的值和真实的值进行比较，计算错误分类率。通过观察错误分类矩阵，我们可知准确率为0.9252，结果还是很理想的。
confusionMatrix(predictions,testing$type)####输出结果如下
Confusion Matrix and Statistics
Reference
Prediction nonspam spam
nonspam 658 47
spam 39 406
Accuracy : 0.9252
95% CI : (0.9085, 0.9398)
No Information Rate : 0.6061
P-Value [Acc > NIR] : <2e-16
Kappa : 0.8429
Mcnemar's Test P-Value : 0.4504
Sensitivity : 0.9440
Specificity : 0.8962
Pos Pred Value : 0.9333
Neg Pred Value : 0.9124
Prevalence : 0.6061
Detection Rate : 0.5722
Detection Prevalence : 0.6130
Balanced Accuracy : 0.9201
实例2：
library(caret)
library(mlbench)
data(Sonar)
set.seed(107)
inTrain<-createDataPartition(y = Sonar$Class,##the outcome data are needed
p=.75,##The percentage of data in the training set
list = FALSE##the format of the results
)
#The output is a set of integers for the rows of Sonar
#that belong in the training set.
> str(inTrain)
int [1:157, 1] 98 100 101 102 103 105 107 109 110 111 ...
- attr(*, "dimnames")=List of 2
..$ : NULL
..$ : chr "Resample1"
> training <- Sonar[inTrain,]
> testing <- Sonar[-inTrain,]
> nrow(training)
[1] 157
> nrow(testing)
[1] 51
1)
library(pls)
plsFit <- train(Class~.,data = training,
method = 'pls',#Center and scale the predictors for the training set and all future samples,
preProc = c("center","scale"))
plot(plsFit)
2)
plsFit <- train(Class~.,data = training,
method = 'pls',
tuneLength = 15,
preProc = c("center","scale"))
plot(plsFit)
3)
ctrl <-trainControl(method = "repeatedcv",repeats=3)
plsFit <- train(Class~.,data = training,
method = 'pls',
tuneLength = 15,
trControl = ctrl,
preProc = c("center","scale"))
plot(plsFit)
4)
ctrl <- trainControl(method = "repeatedcv",repeats=3,
classProbs = TRUE,
summaryFunction = twoClassSummary)
plsFit <-train(Class~.,
data = training,
tuneLength = 15,
trControl = ctrl,
metric = "ROC",
preProc = C("center","scale"))
> plsFit
Partial Least Squares
157 samples
60 predictor
2 classes: 'M', 'R'
Pre-processing: centered, scaled
Resampling: Cross-Validated (10 fold, repeated 3 times)
Summary of sample sizes: 141, 141, 142, 141, 140, 142, ...
Resampling results across tuning parameters:
ncomp Accuracy Kappa Accuracy SD Kappa SD
1 0.729 0.460 0.1291 0.254
2 0.807 0.614 0.0896 0.176
3 0.788 0.577 0.0880 0.176
4 0.780 0.558 0.0783 0.158
5 0.757 0.512 0.0953 0.193
6 0.762 0.524 0.0925 0.185
7 0.752 0.504 0.0943 0.188
8 0.739 0.477 0.0743 0.148
9 0.745 0.491 0.0861 0.170
10 0.747 0.493 0.0791 0.156
11 0.736 0.472 0.0845 0.167
12 0.758 0.514 0.0887 0.177
13 0.730 0.458 0.0883 0.176
14 0.734 0.466 0.0916 0.182
15 0.743 0.483 0.0964 0.193
Accuracy was used to select the optimal model using the largest value.
The final value used for the model was ncomp = 2.
> plsClasses <- predict(plsFit,newdata = testing)
> str(plsClasses)
Factor w/ 2 levels "M","R": 2 1 1 2 1 2 2 2 2 2 ...
> plsProbs <- predict(plsFit,newdata = testing,type = "prob")
> head(plsProbs)
M R
4 0.3762529 0.6237471
5 0.5229047 0.4770953
8 0.5839468 0.4160532
16 0.3660142 0.6339858
20 0.7351013 0.2648987
25 0.2135788 0.7864212
> confusionMatrix(data = plsClasses,testing$Class)
Confusion Matrix and Statistics
Reference
Prediction M R
M 20 7
R 7 17
Accuracy : 0.7255
95% CI : (0.5826, 0.8411)
No Information Rate : 0.5294
P-Value [Acc > NIR] : 0.003347
Kappa : 0.4491
Mcnemar's Test P-Value : 1.000000
Sensitivity : 0.7407
Specificity : 0.7083
Pos Pred Value : 0.7407
Neg Pred Value : 0.7083
Prevalence : 0.5294
Detection Rate : 0.3922
Detection Prevalence : 0.5294
Balanced Accuracy : 0.7245
'Positive' Class : M
R语言机器学习之caret包运用的更多相关文章
- R语言：利用caret包中的dummyVars函数进行虚拟变量处理
dummyVars函数:dummyVars creates a full set of dummy variables (i.e. less than full rank parameterizati ...
- R语言︱机器学习模型评估方案（以随机森林算法为例）
笔者寄语:本文中大多内容来自<数据挖掘之道>,本文为读书笔记.在刚刚接触机器学习的时候,觉得在监督学习之后,做一个混淆矩阵就已经足够,但是完整的机器学习解决方案并不会如此草率.需要完整的评 ...
- R语言︱机器学习模型评价指标+（转）模型出错的四大原因及如何纠错
笔者寄语:机器学习中交叉验证的方式是主要的模型评价方法,交叉验证中用到了哪些指标呢? 交叉验证将数据分为训练数据集.测试数据集,然后通过训练数据集进行训练,通过测试数据集进行测试,验证集进行验证. 模 ...
- R语言中的数据处理包dplyr、tidyr笔记
R语言中的数据处理包dplyr.tidyr笔记 dplyr包是Hadley Wickham的新作,主要用于数据清洗和整理,该包专注dataframe数据格式,从而大幅提高了数据处理速度,并且提供了 ...
- r语言，安装外部包 警告: 无法将临时安装
安装R语言中的外部包时,出现错误提示 试开URL’https://mirrors.tuna.tsinghua.edu.cn/CRAN/bin/windows/contrib/3.3/ggplot2_2 ...
- R语言—如何安装Github包的解决方法，亲测有效
R语言—如何安装Github包的解决方法,亲测有效 准备安装材料: R包-REmap GitHub下载地址:https://github.com/lchiffon/REmap R包-baidumap ...
- R语言：关于rJava包的安装
R语言:关于rJava包的安装 盐池里的萝卜 2014-09-14 00:53:33 在做文本挖掘的时候,会发现分词时候rJava是必须要迈过去的坎儿,所以进行了总结: 第一步:安装rJava和jd ...
- R语言︱常用统计方法包+机器学习包（名称、简介）
一.一些函数包大汇总 转载于:http://www.dataguru.cn/thread-116761-1-1.html 时间上有点过期,下面的资料供大家参考基本的R包已经实现了传统多元统计的很多功能 ...
- R 语言机器学习同步推进~
教材就是传说中的机器学习和R语言--中文版,大家可以去图书馆借来看看~~~,例子都是来自书上的 首先介绍一下KNN算法,KNN还好吧,说白了就是一个算距离的公式然后以统计的方式呈现出来,以二维平面为例 ...
随机推荐
- 进入html+css世界的正确姿势
今天,我带大家一起走进html+css的世界. HTML其实是HyperText Markup Language的缩写, 超文本标记语言.他是用于告诉浏览器这是一个网页, 也就是说告诉浏览器我是一个H ...
- 如何在Windows系统下安装Linux虚拟机
先安装虚拟机这个软件,然后在虚拟机里装linux. 1,准备,下载VM虚拟机,链接: http://pan.baidu.com/s/1z79oU 密码: vbap.和linux镜像文件,可以下载ubu ...
- 这个demo是为解决IQKeyboardManager和Masonry同时使用时，导航栏上移和make.right失效的问题
原文链接在我的个人博客主页 (一).引言: 在 IQKeyboardManager 和 Masonry 同时使用时,导航栏上移和make.right失效等问题多多. 其实我们完美的效果应该是这样的:* ...
- 爬虫入门系列（二）：优雅的HTTP库requests
在系列文章的第一篇中介绍了 HTTP 协议,Python 提供了很多模块来基于 HTTP 协议的网络编程,urllib.urllib2.urllib3.httplib.httplib2,都是和 HTT ...
- MetaProducts Offline Explorer使用简易教程
MetaProducts Offline Explorer使用简易教程 by windtrace 20170419 最近想下载一个网站上的内容打包成chm文件,以便离线浏览,webzip太长时间不更 ...
- JS Dom节点操作demo!
通过黑马课程的学习,在这里分享一个js Dom中节点操作的小练习 需求:使用js创建一个4*3的表格table. onload = function(){ function c(tagName){ r ...
- StringHelper--封转自己的字符串工具类
我们每次开发项目,都会有很多的关于字符串的处理,字符串的处理太常见了,无法避免,那么这时如果可以把常用的字符串处理封装成类,在以后的开发中应该会减少一些工作量,下面代码对一些常用的字符串处理进行了封装 ...
- tcptump的使用------使用JAVA与tcpdump从网络获取原始数据
从这里开始,就开始接触使用分布式系统处理大数据了.在处理大数据之前,需要有一个场景,否则技术工具无法嵌入现实当中,价值就会降低.我碰到的场景应该还是比较具有普遍性,因此大家可以在我的场景里先玩一遍,熟 ...
- 【正常向】CODEVS上分黄金
白银上分黄金失败=.= 在之前有很认真的写了一波排序,所以排序并不是很怂,还是那个理,现阶段学习的都是比较简单的排序,都是所谓的冒泡排序啊,桶排序这类,至于插排和选择排序,再往后又是什么快拍就很尬了. ...
- 一句话告诉你JQuery $(this)到底指的是什么，怎么用
看了网上好多关于jquery $(this)的解释,感觉都说的很模糊. 下面说出我自己的理解. this表示的是当前对象,下面以例子来说明 <!DOCTYPE html> <html ...