数据分享|R语言逻辑回归、线性判别分析LDA、GAM、MARS、KNN、QDA、决策树、随机森林、SVM分类葡萄酒交叉验证ROC（上）：https://developer.aliyun.com/article/1491709
# 绘制测试ROC图 ocmas <- roctestataqua, tes.pred.rob4god) ## Stting level: conrol = god, case= poor ## Settig diectio: cntrols> caseplot(ro.mars legac.axes = TRE, prin.auc= RUE) plot(soothroc.mars), co = 4, ad =TRUE)
errr.tria.mas <-man(tainat$qul ! trai.red.ars)### KNNGrid < epa.gri(k seq(from = 1, to = 40, by = 1)) seted(1fknnrainqual ~., dta = trnData, mthd ="knn"metrrid = kid) ggplot(fitkn
# 建立混淆矩阵ts.re.po7 < prdi(ft.kn, ewdt = estDaatype = "prb"
### QDAseteed1)%>% pyr:c-ual),y= trataq ethod "d"mric = "OC",tContol =ctl)# 建立混淆矩阵tet.pprob <-pedct(mol.da,nedaa = teDta,te = "pb") testred6<- rep(o", leng(est.ped.pob6$goo))
树方法
基于分类树，最大化AUC时最终的树大小为41。测试错误率为 0.24，ROC 为 0.809。此分类树的准确度为 0.76（95%CI：0.72-0.80）。我们还进行了随机森林方法来研究变量的重要性。因此，酒精是最重要的变量，其次是硫酸盐、挥发性酸度、总二氧化硫、密度、氯化物、固定酸度、柠檬酸、游离二氧化硫和残糖。pH 是最不重要的变量。对于随机森林模型，测试错误率为 0.163，准确率为 0.84（95%CI：0.80-0.87），ROC 为 0.900。树方法的一个潜在限制是它们对数据的变化很敏感，即数据的微小变化可能引起分类树的较大变化。
# 分类ctr <- tintol(meod ="cv", number = 10,smmryFuton= twoClassSma et.se(1rart_grid = a.fra(cp = exp(eq(10,-, len =0)))clsste = traqua~., rainDta,metho ="rprt tueGrid = patid, trCtrl cr) ggt(class.tee,highight =TRE)
## 计算测试误差rpartpred = icla.te edta =testata, ye = "aw) te.ero.sree = mean(testa$a !=rartpre) rprred_trin reic(ss.tre,newdta = raiata, tye "raw") # 建立混淆矩阵 teste.pob8 <-rdic(cste, edata =tstData,pe = "po" tet.pd8 - rpgod" legthtetred.rb8d))
# 绘制测试ROC图 ro.r <-oc(testaual, tstedrob$od)pot(rc.ctreegy.axes TU pit.a = TRE)plo(ooth(c.tre, col= 4, ad = TRE
# 随机森林和变量重要性 ctl <traontr(mthod= "cv, numbr = 10,clasPos = RUEoClssSummry) rf.grid - xpa.gr(mt = 1:10, spltrule "gini"min.nd.sie =seq(from = 1,to 12, by = 2))se.sed(1) rf.fit <- inqual mthd= "ranger", meric = "ROC", = ctrl gglt(rf.it,hiliht TRE)
scle.ermutatin.iportace TRU)barplt(sort(rangr::imoranc(random
支持向量机
我们使用带有线性核的 SVM，并调整了成本函数。我们发现具有最大化 ROChad 成本的模型 = 0.59078。该模型的 ROC 为 0.816，准确度为 0.75（测试误差为 0.25）（95%CI：0.71-0.79）。质量预测最重要的变量是酒精；挥发性酸度和总二氧化硫也是比较重要的变量。如果真实边界是非线性的，则具有径向核的 SVM 性能更好。
st.seed(svl.fi <- tain(qual~ . ,data = trainDatamehod= "mLar2",tueGri = data.frae(cos = ep(seq(-25,ln = 0))
## 带径向核的SVMsvmr.grid epand.gid(C = epseq(1,4,le=10)), iga = expsq(8,len=10))) svmr.it<- tan(qual ~ ., da = taiDataRialSigma", preProcess= c("cer" "scale"), tunnrol = c)
模型比较
模型建立后，我们根据所有模型的训练和测试性能进行模型比较。下表显示了所有模型的交叉验证分类错误率和 ROC。结果中，随机森林模型的 AUC 值最大，而 KNN 最小。因此，我们选择随机森林模型作为我们数据的最佳预测分类模型。基于随机森林模型，酒精、硫酸盐、挥发性酸度、总二氧化硫和密度是帮助我们预测葡萄酒质量分类的前 5 个重要预测因子。由于酒精、硫酸盐和挥发性酸度等因素可能决定葡萄酒的风味和口感，所以这样的发现符合我们的预期。在查看每个模型的总结时，我们意识到KNN模型的AUC值最低，测试分类错误率最大，为0.367。其他九个模型的 AUC 值接近，约为 82%。
rsam = rsmes(list(summary(resamp)
comrin = sumaryes)$satitics$ROr_quare smary(rsamp)saisis$sqrekntr::ableomris\[,1:6\])
bpot(remp meic = "ROC")
f<- datafram(dl\_Name, TainError,Test\_Eror, Tes_RC)
knir::abe(df)
结论
模型构建过程表明，在训练数据集中，酒精、硫酸盐、挥发性酸度、总二氧化硫和密度是葡萄酒质量分类的前 5 个重要预测因子。我们选择了随机森林模型，因为它的 AUC 值最大，分类错误率最低。该模型在测试数据集中也表现良好。因此，这种随机森林模型是葡萄酒品质分类的有效方法。
