머신러닝 예제 TEST(8)

(의사결정트리- CART)
 1.  iris 데이터를 이용하여 CART 기법 적용(rpart()함수 이용)하여 분류분석 하시오.

(1) 데이터 가져오기 & 샘플링
(2) 분류모델 생성
(3) 테스트 데이터를 이용하여 분류
(4) 예측정확도

 

# 패키지 설치 및 불러오기

install.packages("rpart") library(rpart) library(rpart.plot)

 

 

# 1 데이터 가져오기 & 샘플링

data <- iris idx=sample(1:nrow(data),0.7*nrow(data)) trainDATA=data[idx,] testDATA=data[-idx,] trainDATA testDATA

 

 

# 2 분류모델 생성

rpart_model <- rpart(Species ~ ., data = trainDATA)  rpart_model rpart.plot(rpart_model)

• trainDATA 데이터 대상으로 생성

< 모델 해석 > 
# 종(Species) 판단
# Petal.Length < 2.5 : setosa로 판단
# Petal.Width >  : versicolor로 판단
# 나머지 versicolor로 판단

 

 

# 3 테스트 데이터를 이용하여 분류

testpred<- predict(rpart_model , newdata = testDATA) testpred

• testDATA 데이터 대상으로 생성

 

 

# 4 예측정확도

testpred<- predict(iris_ctree, newdata = testDATA) testpred table(testpred, testDATA$Species) # testpred     setosa versicolor virginica # setosa         18          0         0 # versicolor      0         12         1 # virginica       0          1        13 #방법1 (18 + 12 + 13) / length(testpred) # 0.9555556  # 방법2 caret::confusionMatrix(testDATA$Species, testpred)$overall[1] # 0.9555556

 

 

 

 

 

(의사결정트리- CART)
 2.  iris 데이터를 이용하여 조건부 추론나무 적용(ctree()함수 이용)하여 분류분석 하시오.

(1) 데이터 가져오기 & 샘플링
(2) 분류모델 생성
(3) 테스트 데이터를 이용하여 분류
(4) 시각화

 

install.packages("party") library(party)

 

# 1 데이터 가져오기 & 샘플링

data(iris) idx <- sample(1:nrow(iris),0.7*nrow(iris)) trainDATA <- iris[idx,] testDATA <- iris[-idx,] trainDATA testDATA

 

# 2 분류모델 생성

iris_ctree <- ctree(Species ~ ., data = trainDATA)  iris_ctree

 

# 3  테스트 데이터를 이용하여 분류

pred2 <- predict(iris_ctree, testDATA) # 예측결과와 실제값 비교 table(pred2, testDATA$Species)

 

# 4 시각화

plot(iris_ctree)

 

 

 

 

 

 

 

 3.   iris데이터 셋의 1~4번 변수를 대상으로 유클리드 거리 매트릭스를 구하여 idist에 저장한 후 계층적 클러스터링을 적용하여 결과를 시각화하시오.

(1) 유클리드 거리 계산
(2) 계층형 군집 분석(클러스터링)
(3) 분류결과를 대상으로 음수값을 제거하여 덴드로그램 시각화
(4) 그룹 수를 3개로 지정하여 그룹별로 테두리 표시

 

# 1 유클리드 거리 계산

idist <- dist(iris[1:4])

 

# 2 계층형 군집 분석(클러스터링)

hc <- hclust(idist)

 

# 3 분류결과를 대상으로 음수값을 제거하여 덴드로그램 시각화

plot(hc, hang = -1)

 

# 4 그룹 수를 3개로 지정하여 그룹별로 테두리 표시

rect.hclust(hc, k = 3, border ="red")

 

 

 

 

 

 4.   iris데이터에서 species 컬럼 데이터를 제거한 후 k-means clustering를 다음 단계별로 실행하시오

(1) iris 데이터셋 로딩
(2) species 데이터 제거
(3) k-means clustering 실행
(4) 군집 결과 시각화

 

# 1 iris 데이터셋 로딩

data(iris) iris iris2 <- iris

 

# 2 species 데이터 제거

iris2$Species <- NULL head(iris2)

 

# 3 k-means clustering 실행

kmeans_result <- kmeans(iris2, 6)  kmeans_result str(kmeans_result)

 

# 4 군집 결과 시각화

plot(iris2[c("Sepal.Length", "Sepal.Width")], col=kmeans_result$cluster) points(kmeans_result$centers[, c("Sepal.Length", "Sepal.Width")], col=1:4, pch=8, cex=2) plot(iris2[c("Petal.Length", "Petal.Width")], col=kmeans_result$cluster) points(kmeans_result$centers[, c("Petal.Length", "Petal.Width")], col=1:4, pch=8, cex=2)