分类算法的R语言实现案例

最近在读《R语言与网站分析》，书中对分类、聚类算法的讲解通俗易懂，和数据挖掘理论一起看的话，有很好的参照效果。

然而，这么好的讲解，作者居然没提供对应的数据集。手痒之余，我自己动手整理了一个可用于分类算法的数据集（下载链接：csdn下载频道搜索“R语言与网站分析：数据集样例及分类算法实现”），并用R语言实现了朴素贝叶斯、SVM和人工神经网络分类。

数据集记录的是泰坦尼克号乘客的存活情况。数据集包括乘客的等级（class）、年龄（age）、性别（sex）和存活情况（survive），最终希望通过分析乘客的等级、年龄和性别建立模型，对乘客是否能够存活进行分类。

以下是使用read.table()函数读取的数据集情况，可以看到class的3/4分位数和最大值、age的最小值和1/4分位数以及sex的1/4分位数和中位值分别相等，判断数据集可能已经离散化。

> data <- read.table("./titanic_s.txt", header = TRUE, sep = ",")
> summary(data)
     class                 age                 sex                survive
 Min.   :-1.8700000   Min.   :-0.228000   Min.   :-1.9200000   Min.   :-1.0000
 1st Qu.:-0.9230000   1st Qu.:-0.228000   1st Qu.: 0.5210000   1st Qu.:-1.0000
 Median : 0.0214000   Median :-0.228000   Median : 0.5210000   Median :-1.0000
 Mean   :-0.0007595   Mean   : 0.000202   Mean   :-0.0002494   Mean   :-0.3539
 3rd Qu.: 0.9650000   3rd Qu.:-0.228000   3rd Qu.: 0.5210000   3rd Qu.: 1.0000
 Max.   : 0.9650000   Max.   : 4.380000   Max.   : 0.5210000   Max.   : 1.0000 

将数据全部转换为因子类型。可以看到经过转换后，class有四类（贵族、高、中、低）、age有两类（孩子和成人）、sex有两类（男和女）、survive有两类（存活和未存活）。

> data$class <- as.factor(data$class)
> data$age <- as.factor(data$age)
> data$sex <- as.factor(data$sex)
> data$survive <- as.factor(data$survive)
> summary(data)
    class         age          sex       survive
 -1.87 :325   -0.228:2092   -1.92: 470   -1:1490
 -0.923:285   4.38  : 109   0.521:1731   1 : 711
 0.0214:706
 0.965 :885

使用table()函数可查看未存活和存活人数分别为1490人、711人，二者数据量相差较大；如果用这样的数据集建模，可能影响分类结果。

> table(data$survive)

  -1    1
1490  711

为此，对数据量较少的存活人员样本进行重抽样，使得二者的样本数量一致。

> balance <- function(data,yval) {
+   y.vector <- with(data,get(yval))
+   index.0 <- which(y.vector==-1)
+   index.1 <- which(y.vector==1)
+   index.1 <- sample(index.1, length(index.0), replace = TRUE)
+   result <- data[sample(c(index.0,index.1)),]
+   result
+ }
>
> sdata <- balance(data, "survive")
> table(sdata$survive)

  -1    1
1490 1490

将重抽样后的数据分为训练数据集和样本数据集，比例默认按7:3分配。

> apart.data <- function(data, percent = 0.7) {
+   train.index <- sample(c(1:nrow(data)),round(percent*nrow(data)))
+   data.train <- data[train.index,]
+   data.test <- data[-c(train.index),]
+   result <- list(train = data.train, test = data.test)
+   result
+ }
> p.data <- apart.data(sdata)
> data.train <- p.data$train
> data.test <- p.data$test

数据准备妥当后，可以开始采用不同的分类算法构建模型，并使用测试数据集对模型的分类效果进行评估。要构建的模型是关于存活情况survive与class、age以及sex之间的关系，可用如下公式表示。

> mod.formula <- as.formula("survive~class+age+sex")</span>

分类算法1：朴素贝叶斯分类，注意要加载e1071库。应用测试数据集对效果进行评估，结果真正率tpr（也就是“预测活着也真活着的人数”/“实际活着的人数”）为57%，真负率tnr（也就是“预测没活也真没活的人数”/“实际没活的人数”）84%。看来预测“没活”的情况比较准。

> install.packages("e1071")
> library(e1071)
> nb.sol <- naiveBayes(mod.formula, data.train);nb.sol
> nb.predict <- predict(nb.sol, newdata = data.test)
> tb <- table(nb.predict, data.test$survive)
> tpr <- tb[2,2]/(tb[2,2]+tb[1,2]);tpr
[1] 0.5735608
> tnr <- tb[1,1]/(tb[1,1]+tb[2,1]);tnr
[1] 0.8447059

分类算法2：支持向量机（SVM）分类。应用测试数据集对效果进行评估，结果也是真正率tpr较低，真负率tnr较高。

> svm.sol <- svm(mod.formula, data.train);svm.sol
> svm.predict <- predict(svm.sol, data.test)
> tb <- table(svm.predict, data.test$survive)
> tpr <- tb[2,2]/(tb[2,2]+tb[1,2]);tpr
[1] 0.5095949
> tnr <- tb[1,1]/(tb[1,1]+tb[2,1]);tnr
[1] 0.9152941

分类算法3：人工神经网络（ANN）分类，注意加载nnet包。应用测试数据集对效果进行评估，结果也是真正率tpr较低，真负率tnr较高。

> library(nnet)
> nnet.sol <- nnet(mod.formula, data.train, size =7, maxit = 1000);nnet.sol
> pred.prob <- predict(nnet.sol, data.test)
> pred.class <- ifelse(pred.prob>0.5, 1,0)
> table(pred.class, data.test$survive)
> tb <- table(pred.class, data.test$survive)
> tpr <- tb[2,2]/(tb[2,2]+tb[1,2]);tpr
[1] 0.5095949
> tnr <- tb[1,1]/(tb[1,1]+tb[2,1]);tnr
[1] 0.9152941

通过对具体的数据集进行数据的重抽样、划分训练数据集和测试数据集，以及最终实施相应的分类算法，可以加深对于R语言分类分析过程和方法的理解。