記事一覧
機械学習(総集編caret編)
今日はcaretパッケージの分類を使っていきます。
methodにサポートベクターマシン(svmRadial)、
ニューラルネットワーク(nnet)、k近傍法(knn)、
単純ベイズ(nb)、ランダムフォレスト(rf)、
決定木(rpart)などを指定できる便利なパッケージです。
irisを読み込み、教師データと検証用に分割します
data(iris)n<-seq(1,nrow(iris),by
機械学習(ニューラルネットワーク編)
ニューラルネットワークモデルで解析
3層パーセプトロンの構築していきます
パッケージの読み込みます
library(e1071)library(kernlab)library(nnet)
データセットにirisを取り込みます
data(iris)
データを教師データと解析用に分割します
n<-seq(1,nrow(iris),by=2)iris.train<-iris[n,]iris.t
機械学習(k近傍法編)
パッケージの読み込み
library(kernlab)library(class)
データセットにirisを取り込み、教師データと検証用データに分割します
data(iris)n<-seq(1,nrow(iris),by=2)iris.train<-iris[n,]iris.test<-iris[-n,]set.seed(1)
k近傍法のモデルを構築します
knn.result<-knn
機械学習(サポートベクターマシン編)
パッケージの読み込みます
library(e1071)library(kernlab)
データirisの読み込み、データを教師データと評価データの2つに分割します
data(iris)n<-seq(1,nrow(iris),by=2)iris.train<-iris[n,]iris.test<-iris[-n,]set.seed(1)
サポートベクターマシーンの構成します
svm.mod
機械学習(ランダムフォレスト編)
パッケージの読み込み
library(randomForest)
irisを読み込んで、学習用と検証用に分割します
data(iris)n<-seq(1,nrow(iris),by=2)iris.train<-iris[n,]iris.test<-iris[-n,]set.seed(1)
ランダムフォレストで分類モデルを作成します
rf.model<-randomForest(Speci
機械学習(決定木編)
パッケージの読み込みます
library(rpart)library(rpart.plot)
irisのデータを読み込んで、学習用と検証用に分割します
data(iris)n<-seq(1,nrow(iris),by=2)iris.train<-iris[n,]iris.test<-iris[-n,]set.seed(1)
CARTで分類モデルを作成します
cart.model<-rpa
機械学習(単純ベイズ編)
R言語での単純ベイズモデルでの機械学習
irisのデータを用いて分類の問題を復習します。
まずパッケージの読み込みです
library(e1071)library(kernlab)
irisデータの読み込みます
data(iris)
教師データと評価データに分けます（半分づつ）
n<-seq(1,nrow(iris),by=2)iris.train<-iris[n,]iris.test<