逻辑回归、随机森林、SVM支持向量机预测心脏病风险数据和模型诊断可视化|数据分享-2
https://developer.aliyun.com/article/1489370
模型
# 划分数据集 split = sample.split train = subset
逻辑回归
# 逻辑回归模型 - 使用所有变量 fultaog = glm summary(fulog)
fldaog = glm summary(fuatLg)
prdts = predict glm_le <- table
ACCU
随机森林
rfoel <- randomForest # 获得重要性 imprace
# 选择重要的因素 rfmdel <- randomForest # 误差 plot
# 获取重要性 ggplot + geom_bar geom_text
这里有患病风险的误差不降反升,需要探究其中原因
# 绘制分类图像 pred<-predict pdou_1<-predict #输出概率 table <- table sum(diag/sum #预测准确率
plot(marginaaaaaaaaaaaaaaaa
SVM支持向量机
# 先进行模型调优 tud <- tune.svm summary(tud )
# 使用turning函数得到最佳参数设置支持向量机 mel.nd <- svm cost=tuned$ summary(modted)
# 调用predict函数基于刚配置好的SVM模型进行类标号的预测: sm.ne.ed <- predict sv.tuedtble <- table sm.ue.tbe
acy.s.vm <- sum(diag)/sum
模型诊断
根据上面三个模型的结果,可以看出预测结果的类别数量分布非常不均衡
sum
sum(TeYaHD == 0)
针对这一现象,需要采取方法平衡数据集。