67
правок
Изменения
→Примеры алгоритмов
==== Линейная регрессия ====
<pre>
#$$Читаем данныеreading datadata <- read.delimcsv('"input.datcsv", sep = ',', header = TRUEFALSE)
#Создаем модель evaluating linear regression modeldata.x model <- lm(data$x ~ data$y)
#Получаем информацию о созданной моделиgetting summary print(summary(data.xmodel))
#Визуализируем данныеvisualizing data
plot(data$y, data$x)
lines(data$y, predict(data.xfit), col = 'red')
</pre>
==== Множественная регрессия ====
<pre>
#$$Читаем данныеreading datadata rdata <- read.delimcsv('"input.datcsv", sep = ',', header = TRUEFALSE)
#Создаем модель множественной регрессииevaluating regression modelfit model <- lm(target ~ x + y + z, data = datardata)
#Получаем информацию о созданной моделиgetting summary print(summary(fitmodel))
</pre>
<pre>
#reding $$reading datadata rdata <- rawData[,cread.csv("targetinput.csv","x"sep = ',"y"',"z"header = FALSE)]
#creating evaluating model using glm functiontarget.data model = glm(formula = target ~ x + y + z, data = datardata, family = binomial)
#printing summary
print(summary(target.datamodel))
</pre>
#reading data
#creating evaluating model output.tree <- ctree(target ~ x + y + z, data = datardata)
#plotting results
plot(output.tree)
</pre>
#reading data
#creating the forest
output.forest <- randomForest(target ~ x + y + z,
data = datardata)
#getting results
</pre>
=== Байессовская Байесовская классификация ===
<pre>
#reading data
data<- read.csv("input.csv", sep = ',', header = FALSE)
#splitting data into training and test data sets
testing <- data[-index,]
#create objects x which holds the and y for predictor variables and y which holds the response variables
x = training[,-9]
y = training$target
#training model
model = train(x,y,'nb',trControl=trainControl(method='cv',number=10))
#predicting resultspredictions <- predict(model,newdata = testing )</pre> === Кластеризация === <pre>install.package("ClusterR")data <- read.csv("data.csv") km = KMeans_arma(data, clusters = 2, n_iter = 10, seed_mode = "random_subset", verbose = T, CENTROIDS = NULL)pr = predict_KMeans(pca_dat, km)
</pre>
training <- data[index,]
testing <- data[-index,]
#evaluating model
data = train_flats,
method = "svmRadial",
trControl = ctrltrainControl(method = "repeatedcv", number = 10, repeats = 3))
#printing parameters
print(fit)
</pre>
=== Кластеризация ===
Для реализации алгоритма кластеризации k-средних используется пакет ClusterR. В нем реализовано 2 функции: KMeans_arma и KMeans_rcpp. В примере далее рассмотрена реализация с использованием функции KMeans_arma.
<pre>
#$$ importing package and its' dependencies
library(ClusterR)
#reading data
data <- read.csv("data.csv")
#evaluating model
model = KMeans_arma(data, clusters = 2, n_iter = 10, seed_mode = "random_subset",
verbose = T, CENTROIDS = NULL)
#predicting results
predictions = predict_KMeans(test_data, model)
</pre>
== См. также ==
== Примечания ==
