排版优化算法R语言

3个回答默认排序

默认排序

按时间排序

南噶希先生

已采纳

基于R语言的分类算法之决策树ID3 《= 最大信息熵增益，只能处理离散型数据C5 《= 信息增益率，可处理连续性和离散型数据，相比ID3，减少了因变量过多导致的过拟合C0 《= 信息增益率，运算性能比C5更强大CART 《= 基尼指数最小原则，连续性和离散型数据均可信息熵体现的是数据的杂乱程度，信息越杂乱，信息熵越大，反之越小。例如：拥有四种连续型变量的特征变量的信息熵一定比拥有三种的要大。特征变量的N种可能性，每种可能性的概率相同，N越大，信息熵越大。每种可能性的概率不同，越偏态，信息熵越小。所有特征变量中，信息增益率的，就是根节点（root leaf），根节点一般是选择N越大的特征变量，因为N越大，信息熵越大。信息增益率是在信息熵的基础上作惩罚计算，避免特征变量可能性多导致的高信息增益。代码相关library（C50）C0(x,y, trials = 1, rules=FALSE,weights=NULL,control=C0Control(),costs=NULL)x为特征变量，y为应变量trials 为迭代次数（这个值根据不同数据而不同，并非越大越好，一般介于5-15之间，可以用遍历来寻找最高准确率的模型，对模型准确率的提升效果中等）cost 为损失矩阵，R中应该传入一个矩阵（据说是对准确率矩阵约束猜测错误的项，但是并没特别明显的规律，可以使用遍历来寻找最好的cost，准确率提升效果小）costs <- matrix(c(1,2,1,2), ncol = 2, byrow = TRUE, dimnames = list(c("yes","no"), c("yes","no")))control 设置C0模型的其他参数，比如置信水平和节点最小样本等（水很深，参数很多，可以自行查阅R的帮助文档，我只设置了一个CF，准确率提升效果小）control = C0Control(CF = 25)library(C50)#对iris随机划分训练集和测试集seed(1234)index <- sample(1:nrow(iris), size = 75*nrow(iris))train <- iris[index,]test <- iris[-index,]#查看训练集和测试集分布是否合理able(table(train$Species))able(table(test$Species))#不设置任何参数fit1 <- C0(x = train[,1:4], y = train[,5])pred1 <- predict(fit1, newdata = test[,-5])freq1 <- table(pred1, test[,5])accuracy <- sum(diag(freq1))/sum(freq1)pred1 setosa versicolor virginica setosa 16 0 0 versicolor 0 13 1 virginica 0 0 8准确率为9736842，只有一个错误。。。显然150个iris太少了，优化都省了。

301 评论 1小时前发布

张小电1301

303 评论 1小时前发布

抠脚大象

深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。[1] 深度学习的概念由Hinton等人于2006年提出。基于深度置信网络(DBN)提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。[1] 深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。[2]

103 评论 9小时前发布

排版优化算法R语言

3个回答 默认排序 默认排序 按时间排序

相关问答

论文问答

向你推荐

热门问题

最新内容

3个回答默认排序

默认排序

按时间排序