标签：分类算法 spec 一个 pre 安装方法 分析 测试 index 数据
概念
1、监督学习：从给定标注的训练数据中学习出一个函数，根据这个函数为新数据进行标注。
2、无监督学习：从给定无标注的训练数据中学习出一个函数，根据这个函数为所有数据标注。
KNN分类算法：通过对已知类别训练数据集的分析，从中发现分类规则，以此预测新数据的类别，分类算法属于监督学习的类型。
KNN概念：
1、训练集：用来训练模型或确定模型参数的数据。
2、测试集：用来验证模型准确性的数据。
3、交叉验证：一般使用70%的数据作为训练集，剩下30%的数据作为测试集，测试集的测试结果使用交叉表形式进行验证。
抽样方法
sample(x,size,replace=FALSE)
x-待抽样的样本
size-抽样的数量
replace-是否可放回抽样，默认为false
KNN方法-需要安装包class
安装方法：install.packages("class")
knn(train,test,cl,k=1)
train-训练数据
test-测试数据
cl-训练数据的正确结果
k-KNN中的K值，默认为1，可以自行设定，直到交叉检验到最好的结果
举例：
#install.packages("class");
library(class)
#https://en.wikipedia.org/wiki/Iris_flower_data_set
#https://zh.wikipedia.org/wiki/%E5%AE%89%E5%BE%B7%E6%A3%AE%E9%B8%A2%E5%B0%BE%E8%8A%B1%E5%8D%89%E6%95%B0%E6%8D%AE%E9%9B%86
#计算iris的行数，isis是class包自带的例子
total <- nrow(iris);
#抽样获取70%的行数编号
index <-sample(1:total, total*0.7)
#根据抽样编号获取训练集
iris.train <- iris[index, ]
#根据抽样编号获取测试集，-index就相当于剩下30%
iris.test <- iris[-index, ]
#使用KNN方法根据训练集和测试集来配对函数
#subset()相当于删除训练集和测试集中的species列（结果列）的数据
result.KNN <-knn(
train=subset(iris.train, select=-Species),
test=subset(iris.test,select=-Species),
cl=iris.train$Species, k=2
)
#进行交叉检验
table(iris.test$Species, result.KNN)
标签：分类算法 spec 一个 pre 安装方法 分析 测试 index 数据
原文地址：http://www.cnblogs.com/xugege/p/7376329.html
