R_Studio(决策树算法)鸢尾花卉数据集Iris是一类多重变量分析的数据集【精】

　　鸢尾花卉数据集Iris是一类多重变量分析的数据集

　　通过花萼长度，花萼宽度，花瓣长度，花瓣宽度4个属性预测鸢尾花卉属于（Setosa，Versicolour，Virginica）三个种类中的哪一类

　　针对iris数据集实践决策树算法(C4.5、C5.0)，并用交叉矩阵评估模型

　　

　　iris数据RStudio系统自带

　　

　　

Gary<-iris
#建立决策树模型，来预测鸢尾花的种类
#重命名变量名，将预测鸢尾花卉转换为class 通过前四个变量预测class属于哪一个类
Gary.names<-c('sepal length','sepal width','petal length','petal width', 'class')
names(Gary)<-Gary.names
#查看维度 150条数据 5维变量
dim(Gary)
#str()查看数据框中每个变量的属性
str(Gary)
#summary()提供最小值、最大值、四分位数和数值型变量的均值，以及因子向量和逻辑型向量的频数统计
summary(Gary)
#设定生成随机数的种子,种子是为了让结果具有重复性
set.seed(1)
#将数据集拆分为训练集和测试集，拆分比例为0.75
index<-sample(nrow(Gary),0.75*nrow(Gary),replace = F)
train<-Gary[index,]
test<-Gary[-index,]
library(C50)
#训练数据用于建立决策树模型
#测试集用于模型评估
mod<-C5.0(train[,-5],train[,5])
summary(mod)
#预测模型
pre1<-predict(mod,newdata=test,type='class')
tab<-table(pre1,test$class)
tab
sum(diag(tab))/sum(tab)

Gary.Script

实现过程

　　将数据保存并重命名变量名

Gary<-iris

Gary.names<-c('sepal length','sepal width','petal length','petal width', 'class')

names(Gary)<-Gary.names

　　dim()：查看数据的维度

　　str()：查看数据框中每个变量的属性

　　summary()：提供最小值、最大值、四分位数和数值型变量的均值，以及因子向量和逻辑型向量的频数统计

> dim(Gary)　　　　　　　　#150条数据 5维变量
[1] 150   5

> str(Gary)　　　　　　　　#查看了前四个数据框的属性值
'data.frame':    150 obs. of  5 variables:
 $ sepal length: num  5.1 4.9 4.7 4.6 5 5.4 4.6 5 4.4 4.9 ...
 $ sepal width : num  3.5 3 3.2 3.1 3.6 3.9 3.4 3.4 2.9 3.1 ...
 $ petal length: num  1.4 1.4 1.3 1.5 1.4 1.7 1.4 1.5 1.4 1.5 ...
 $ petal width : num  0.2 0.2 0.2 0.2 0.2 0.4 0.3 0.2 0.2 0.1 ...
 $ class       : Factor w/ 3 levels "setosa","versicolor",..: 1 1 1 1 1 1 1 1 1 1 ...

> summary(Gary)
  sepal length    sepal width     petal length    petal width           class
 Min.   :4.300   Min.   :2.000   Min.   :1.000   Min.   :0.100   setosa    :50
 1st Qu.:5.100   1st Qu.:2.800   1st Qu.:1.600   1st Qu.:0.300   versicolor:50
 Median :5.800   Median :3.000   Median :4.350   Median :1.300   virginica :50
 Mean   :5.843   Mean   :3.057   Mean   :3.758   Mean   :1.199
 3rd Qu.:6.400   3rd Qu.:3.300   3rd Qu.:5.100   3rd Qu.:1.800
 Max.   :7.900   Max.   :4.400   Max.   :6.900   Max.   :2.500  

　　设定生成随机数的种子,种子是为了让结果具有重复性

　　set.seed()只对运行该命令后的第一次随机产生结果有效(伪随机)

set.seed(1)

　　将数据集拆分为训练集和测试集，拆分比例为0.75

index<-sample(nrow(Gary),0.75*nrow(Gary),replace = F)
train<-Gary[index,]
test<-Gary[-index,]

　　加载C50包

　　C5.0算法则是C4.5算法的商业版本，较C4.5算法提高了运算效率，它加入了boosting算法，使该算法更加智能化

library(C50)

　　训练数据用于建立决策树模型

　　测试集用于模型评估

　　C5.0(x, y, ...)：其中x指定自变量（数据框或矩阵的形式），y指定因变量

> C5.0(train[,-5],train[,5])

Call:
C5.0.default(x = train[, -5], y = train[, 5])

Classification Tree    　　　　分类树
Number of samples: 112 　　　　样本树
Number of predictors: 4 　　　 预测树

Tree size: 3 　　树高：3　　

Non-standard options: attempt to group attributes　　　　#尝试分组属性

　　

> summary(mod)

Call:
C5.0.default(x = train[, -5], y = train[, 5])

C5.0 [Release 2.07 GPL Edition]
-------------------------------

Class specified by attribute `outcome'　　　　　　　　　#"class"属性指定的类

Read 112 cases (5 attributes) from undefined.data　　#112例（5读取从undefined.data属性）

Decision tree:　　　　　　　　　　　　　　　　#决策树：

petal length <= 1.9: setosa (38)　　　　　　　　　　#花瓣长度≤1.9：setosa（38）
petal length > 1.9:　　　　　　　　　　　　　　　　 　#花瓣长度＞1.9：
:...petal width <= 1.6: versicolor (38/1)　　　　 #petal宽度：≤1.6：云芝（38／1）
    petal width > 1.6: virginica (36/2)　　　　　　#花瓣宽度＞1.6：锦葵（36／2）

Evaluation on training data (112 cases):　　　　　　#评估在训练数据（112例）：

        Decision Tree   　　　　　　　　　　　　　　　　#决策树
      ----------------
      Size      Errors  　　　　　　　　　　　　　　　　#尺寸错误
　　
         3    3( 2.7%)   <<　　　　　　　　　　　　　　#3 3（2.7 %）＜＜

       (a)   (b)   (c)    <-classified as　　　　　
      ----  ----  ----
        38                (a): class setosa　　　
              37     2    (b): class versicolor
               1    34    (c): class virginica

    Attribute usage:　　　　　　　　　　　　　　　　　　　　#属性

    100.00%    petal length　　　　　　　　　　　　　　　　#100%的花瓣长度
     66.07%    petal width　　　　　　　　　　　　　　　　 #占66.07%花瓣宽度

Time: 0.0 secs

　　预测鸢尾花卉属于哪一类

　　用交叉矩阵评估模型

> pre1<-predict(mod,newdata=test,type='class')
> tab<-table(pre1,test$class)
> tab

pre1         setosa versicolor virginica
  setosa         12          0         0
  versicolor      0         11         3
  virginica       0          0        12

　　预测了38组数据，其中35组数据正确，3组数据预测出错

　　对角线上的数据实际值和预测值相同，非对角线上的值为预测错误的值

　　评估模型(预测)的正确率

sum(diag(tab))/sum(tab)
[1] 0.9210526

　　　　diag(x = 1, nrow, ncol)

　　　　diag(x) <- value

　　解析：

　　　　x：一个矩阵,向量或一维数组,或不填写。

　　　　nrow, ncol：可选 行列。

　　　　value ：对角线的值，可以是一个值或一个向量