R语言决策树代码

花花灬太岁

1. <!--StartFragment -->
   
2. <DIV>library(ROCR)
   
3. qiediandata=read.csv("f:<IMG src="file:///C:/Users/tipdm/AppData/Local/Temp/%25W@GJ$ACOF(TYDYECOKVDYB.png">\\data\\model.csv")
   
4. data=qiediandata[,3:6]
   
5. head(data)
   
6. set.seed(1)  ##设置随机种子
   
7. #数据集随机抽80%定义为训练数据集，20%为测试数据集
   
8. int = sample(2, nrow(data), replace=TRUE, prob=c(0.2, 0.8))
   
9. traindata <- data[int==2,]
   
10. #nrow(traindata)/nrow(data)
    
11. testdata <- data[int==1,]
    
12. #cart 决策树
    
13. library(tree)
    
14. #tree.model <- tree(traindata[,4]~., data=traindata)
    
15. tree.model <- tree(是否窃漏电~., data=traindata)
    
16. #tree.model <- tree(traindata[,4]~traindata[,1]+traindata[,2]+traindata[,3], data=traindata)
    
17. summary(tree.model)
    
18. #第四列作为因变量,其他作为自变量 波浪号后面有个点
    
19. 
    
20. traindata[,4]=as.factor(traindata[,4])
    
21. #强制类型转化，使得可以用traindata[,4]
    
22. predict(tree.model,type="class")
    
23. tree.model$y
    
24. 
    
25. newtree.model <- tree(是否窃漏电~., data=traindata)
    
26. newtree.model
    
27. predict(newtree.model)
    
28. newtree.predictdata=predict(newtree.model,type="class")
    
29. # 这两句的区别在于直接给出两个类型
    
30. conf=table(act=traindata[,4],pre=newtree.predictdata)
    
31. #实际和预测的比较,混淆矩阵
    
32. sum(diag(conf))/sum(conf)
    
33. plot(tree.model)
    
34. text(tree.model)
    
35. testpr=predict(newtree.model,newdata=testdata,type="class")
    
36. #测试算法好不好，预测剩下的测试数据
    
37. righ=table(act=as.factor(testdata[,4]),testpr)
    
38. righ
    
39. #ROC曲线
    
40. library(ROCR)
    
41. prefor<-prediction(predict(newtree.model,testdata)[,2],testdata$是否窃漏电)
    
42. prefor
    
43. performan<-performance(prefor,"tpr","fpr")
    
44. #tpr:true positive rate,fpr:false positive rate
    
45. performan
    
46. plot(performan)
    
47. </DIV>
    
48. library(ROCR)
    
49. qiediandata=read.csv("f:\\data\\model.csv")
    
50. data=qiediandata[,3:6]
    
51. head(data)
    
52. set.seed(1) ##设置随机种子
    
53. #数据集随机抽80%定义为训练数据集，20%为测试数据集
    
54. int = sample(2, nrow(data), replace=TRUE, prob=c(0.2, 0.8))
    
55. traindata <- data[int==2,]
    
56. #nrow(traindata)/nrow(data)
    
57. testdata <- data[int==1,]
    
58. #cart 决策树
    
59. library(tree)
    
60. #tree.model <- tree(traindata[,4]~., data=traindata)
    
61. tree.model <- tree(是否窃漏电~., data=traindata)
    
62. #tree.model <- tree(traindata[,4]~traindata[,1]+traindata[,2]+traindata[,3], data=traindata)
    
63. summary(tree.model)
    
64. #第四列作为因变量,其他作为自变量 波浪号后面有个点
    
65. 
    
66. traindata[,4]=as.factor(traindata[,4])
    
67. #强制类型转化，使得可以用traindata[,4]
    
68. predict(tree.model,type="class")
    
69. tree.model$y
    
70. 
    
71. newtree.model <- tree(是否窃漏电~., data=traindata)
    
72. newtree.model
    
73. predict(newtree.model)
    
74. newtree.predictdata=predict(newtree.model,type="class")
    
75. # 这两句的区别在于直接给出两个类型
    
76. conf=table(act=traindata[,4],pre=newtree.predictdata)
    
77. #实际和预测的比较,混淆矩阵
    
78. sum(diag(conf))/sum(conf)
    
79. plot(tree.model)
    
80. text(tree.model)
    
81. testpr=predict(newtree.model,newdata=testdata,type="class")
    
82. #测试算法好不好，预测剩下的测试数据
    
83. righ=table(act=as.factor(testdata[,4]),testpr)
    
84. righ
    
85. #ROC曲线
    
86. library(ROCR)
    
87. prefor<-prediction(predict(newtree.model,testdata)[,2],testdata$是否窃漏电)
    
88. prefor
    
89. performan<-performance(prefor,"tpr","fpr")
    
90. #tpr:true positive rate,fpr:false positive rate
    
91. performan
    
92. plot(performan)
    

复制代码

搜索