准备训练和测试数据集
一上来就发现，数据集找不到，搜索一番，终于在另外一个包找到了数据集。
代码语言：javascript复制# install.packages("C50")
# library(C50)
# data('churn', package = 'C50')
# install.packages("modeldata")
# https://stackoverflow.com/questions/60506936/data-set-churn-not-found-in-package-c50
library(modeldata)
data(mlc_churn)
churn <- mlc_churn
# 7:3分训练和测试集
set.seed(2)
ind <- sample(2,nrow(churnTrain),replace = TRUE,
prob = c(0.7,0.3))
trainset <- churnTrain[ind==1,]
testset <- churnTrain[ind==2,]
这个数据集和书中的略有区别，不过应该是包含的关系，这个数据的样本更多，应该不影响的。扩展：split函数完成训练和测试的划分
代码语言：javascript复制split.data <- function(data, p= 0.7, s= 666){
set.seed(s)
index <- sample(1:dim(data)[1])
train <- data[index[1:floor(dim(data)[1]*p)],]
test <- data[index[((ceiling(dim(data)[1]*p)) 1):dim(data)[1]],]
return(list(train=train,test=test))
}
li <- split.data(churnTrain)
使用递归分割树建立分类模型
递归和分割是这个算法的两个步骤。ＣＰ是成本复杂度参数．决策树算法的不足是容易产生偏差和过度适应问题，条件推理树可以克服偏差，过度适应可以借助随机森林方法或树的修剪来解决。
代码语言：javascript复制library(rpart)
churn.rp <- rpart(churn~., data=trainset)
plotcp(churn.rp)
summary(churn.rp)
5.4 递归分割树可视化
plot和text函数绘制分类树。
代码语言：javascript复制plot(churn.rp, margin = 0.1) # 边框
text(churn.rp, all = TRUE, use.n = TRUE) # use.n每个类别实际观测个数
# 改变参数来调整显示结果
plot(churn.rp, uniform = TRUE, branch = 0.6, margin = 0.1) # brach 设置shoudler
text(churn.rp,all = TRUE, use.n = TRUE)
5.5 评测递归分割树的分类能力
代码语言：javascript复制# 预测
predictions <- predict(churn.rp, testset, type = "class")
table(testset$churn, predictions)
# #############
predictions
yes no
yes 133 81
no 29 1278
# 生成混淆矩阵
library(caret)
confusionMatrix(table(predictions, testset$churn))
Confusion Matrix and Statistics
# ##############
predictions yes no
yes 133 29
no 81 1278
Accuracy : 0.9277
95% CI : (0.9135, 0.9402)
No Information Rate : 0.8593
P-Value [Acc > NIR] : < 2.2e-16
Kappa : 0.6671
5.6 递归分割树剪枝
有时，需要修剪分类描述能力较弱的规则，以避免过度适应，并提高预测正确率，这里使用成本复杂度方法。
代码语言：javascript复制min(churn.rp$cptable[,"xerror"])
[1] 0.4523327
which.min(churn.rp$cptable[,"xerror"])
5
5
# 最小成本复杂度参数
churn.cp <- churn.rp$cptable[5,"CP"]
churn.cp
[1] 0.01014199
# 修剪
prune.tree <- prune(churn.rp, cp=churn.cp)
plot(churn.rp, margin = 0.1)
text(churn.rp,all = TRUE, use.n = TRUE)
# 混淆矩阵，略低于修剪前，避免过拟合
confusionMatrix(table(predictions, testset$churn))
# ################
好像没怎么发现哪修剪了
5.7 使用条件推理树建立分类模型
rpart传统决策树算法之外，条件推理树ctree是另外一类比较常用的基于树的分类算法。同样对非独立变量来实现对数据的递归划分处理。不同在于，条件推理树选择分裂变量的依据是显著性测量的结果，而不是信息最大化方法，rpart里使用了基尼系数，这个不是表征贫富差距的。
代码语言：javascript复制# 条件推理树
library(party)
ctree.moddel <- ctree(churn~., data = trainset)
ctree.moddel
5.8 条件推理树可视化
代码语言：javascript复制# 可视化
plot(ctree.moddel)
daycharhe.model <- ctree(churn~total_day_charge, data = trainset)
plot(daycharhe.model)
简化一下
5.9 评估预测能力
代码语言：javascript复制 # 预测
> ctree.predict<- predict(ctree.moddel, testset)
> table(ctree.predict, testset$churn)
ctree.predict yes no
yes 139 9
no 75 1298
confusionMatrix(table(ctree.predict, testset$churn))
# #######################
Confusion Matrix and Statistics
ctree.predict yes no
yes 139 9
no 75 1298
Accuracy : 0.9448
95% CI : (0.9321, 0.9557)
No Information Rate : 0.8593
P-Value [Acc > NIR] : < 2.2e-16
# 概率
> treeresponse(ctree.moddel, newdata = testset[1:5,])
[[1]]
[1] 0.02715356 0.97284644
[[2]]
[1] 0.06842105 0.93157895
[[3]]
[1] 0.06842105 0.93157895
[[4]]
[1] 0.06842105 0.93157895
[[5]]
[1] 0.02715356 0.97284644
5.10 使用k临接分类算法
是一种无参惰性学习方法，不会对数据分布做任何假设，不要求算法具备显性学习过程。
代码语言：javascript复制install.packages("class")
library(class)
levels(trainset$international_plan) = list("0" = "no", "1" = "yes")
levels(trainset$voice_mail_plan) = list("0" = "no", "1" = "yes")
levels(testset$international_plan) = list("0" = "no", "1" = "yes")
levels(testset$voice_mail_plan) = list("0" = "no", "1" = "yes")
churn.knn <- knn(trainset[,!names(trainset) %in% c("churn", "area_code", "state" )],
testset[,!names(testset) %in% c("churn", "area_code", "state" )], trainset$churn, k=3)
summary(churn.knn)
plot(churn.knn)
library(caret)
confusionMatrix(table(testset$churn,churn.knn))
# ########################
Confusion Matrix and Statistics
churn.knn
yes no
yes 76 138
no 46 1261
Accuracy : 0.879
95% CI : (0.8616, 0.895)
No Information Rate : 0.9198
P-Value [Acc > NIR] : 1
Kappa : 0.3901
knn算法采用相似性距离来训练和分类，比如使用欧氏距离或曼哈顿距离，k=1，会分配样本到距离其最近的类别，如果k较小，可能过拟合，过大，低拟合，可以交叉检验获得一个合适值。优势在于学习成本为0，不需要假设分布，可以处理任意类型数据；不足在于难以理解，数据集较大计算代价非常高，高维数据要先降维。字符类型数据要先处理成整型，k=3分配到最近3个簇中。kknn包可以提供带权重的k邻近算法、回归和聚类。
5.11 使用逻辑回归
属于基于概率统计的算法，logit函数可以执行，glm family指定为binomial也是逻辑回归算法。
代码语言：javascript复制# logistic
fit <- glm(churn~., data = trainset,family = binomial)
summary(fit)
# 去除非显著变量
fit <- glm(churn~international_plan voice_mail_plan total_intl_calls number_customer_service_calls , data = trainset,family = binomial)
summary(fit)
pred <- predict(fit, testset, type = "response")
pred <- predict(fit, testset, type = "response")
Class <- pred > .5
summary(Class)
Mode FALSE TRUE
logical 44 1477
pred_class <- churn.mod
pred_class[pred <=.5] = 1- pred_class[pred<=.5]
ctb <- table(churn.mod, pred_class)
ctb
# ###########
pred_class
churn.mod 0 1
0 1287 20
1 24 190
confusionMatrix(ctb)
Confusion Matrix and Statistics
pred_class
churn.mod 0 1
0 1287 20
1 24 190
Accuracy : 0.9711
95% CI : (0.9614, 0.9789)
No Information Rate : 0.8619
P-Value [Acc > NIR] : <2e-16
Kappa : 0.8794
逻辑回归易于理解，直接输出概率和置信区间，能迅速合并新的数据集，更新分类模型。不足在于无法处理多重共线性总是，解释变量必须线性无关。
5.12 使用朴素贝叶斯分类算法
也是基于概率的分类器，假设样本属性之间相互独立。
代码语言：javascript复制library(e1071)
classifer <- naiveBayes(trainset[,!names(trainset) %in% c("churn")], trainset$churn)
classifer
# ##############
Naive Bayes Classifier for Discrete Predictors
Call:
naiveBayes.default(x = trainset[, !names(trainset) %in% c("churn")],
y = trainset$churn)
# ###############
A-priori probabilities:
trainset$churn
yes no
0.1417074 0.8582926
bayes.table <- table(predict(classifer, testset[,!names(trainset) %in% c("churn")]), testset$churn)
bayes.table
# #############
yes no
yes 104 52
no 110 1255
library(caret)
confusionMatrix(bayes.table)
Confusion Matrix and Statistics
# ############
yes no
yes 104 52
no 110 1255
Accuracy : 0.8935
95% CI : (0.8769, 0.9086)
No Information Rate : 0.8593
P-Value [Acc > NIR] : 4.220e-05
Kappa : 0.5032
分类评估基于就是上面这样一个套路了。朴素由叶斯算法假设特征变量都是条件独立的，优势相对简单，应用直接，适合训练数据集规模树比较小，可能存在缺失或者数据噪音的情况。不足在于上面的条件相互独立和同等重要，在实际世界中很难实现。总结本章，见如下图片：
