Zadania 10, Studia, Stopień 2 Semestr I, Statystyczne systemy informatyczne w AD, Rrrrrr, R Artur, Zadania 10
[ Pobierz całość w formacie PDF ]
# Zadanie 1) Dla danych z pliku centroid.csv dokonać grupowania metodš k-rednich# (dla k = 10, czyli na 10 klas) z użyciem metryki euklidesowej na standaryzowanych danych.# Następnie narysować wykres oryginalnych danych z podziałem na klasy oraz uzyskanymi rodkami klas#metoda k-rednichmetraz=read.csv2("Centroid.csv")attach(metraz)#standaryzowanie danychmetraz2 = data.frame(osoby = metraz$OSOBY/sd(metraz$OSOBY), metraz = metraz$METRAZ/sd(metraz$METRAZ))metraz2podzial=kmeans(metraz2,10)plot(metraz,col=podzial$cluster)###points(METRAZ[podzial$cluster], pch=19,col="black")sr1=podzial$center[,1]sr2=podzial$center[,2]nowe_sr1=sr1*sd(OSOBY)nowe_sr2=sr2*sd(METRAZ)nowecen=data.frame(nowe_sr1,nowe_sr2)points(nowecen,pch=15,col="yellow")# Zadanie 2) Podzielić dane z pliku dane_centr.csv (pierwszych 500 wartoci) na 6 klas metodš k-rednich# (metryka euklidesowa po standaryzacji) oraz metodš grupowania wokół centroidów# (metryka taksówkowa po standaryzacji).# Porównać uzyskane wyniki.dane=read.csv2("dane_centr.csv")attach(dane)names(dane)kol1=dane[1:500,1]kol2=dane[1:500,2]dane2=data.frame(kol1/sd(kol1),kol2/sd(kol2))mks<-kmeans(dane2,6)library(cluster)#metoda grupowania wokol centroidowp<-pam(dane2,6,metric="manhattan")plot(dane2,pch=mks$cluster,col=p$cluster)points(mks$center,pch=17,col="black")points(p$medoids, pch=19, col="yellow", cex=2)detach(dane)# Zadanie 3) Podzielić dane z pliku dane_centr.csv na 6 klas metodš grupowania# woków centroidów (metryka euklidesowa po standaryzacji).# Warto użyć wersji metody odpowiedniej dla dużej iloci danych.attach(dane)duze1=data.frame(x/sd(x),y/sd(y))duze1p2<-clara(duze1,6,metric="euclidean")plot(duze1,col=p2$cluster)points(p2$medoids,pch=19,col="black",cex=2)detach(dane)# Zadanie 7) Dla danych dane_usmiech2.csv dokonać klasyfikacji# (w oparciu o 2/3 wylosowanych danych) klasyfikatorami liniowym i kwadratowym.# Klasyfikatory przetestować na pozostałych danych.kolory = c("red","black", "blue")dane=read.csv2("dane_usmiech2.csv")ucz = sample(3000, 2000, rep = F)plot(dane$x, dane$y, col = "white", xlab = "x", ylab = "y")text(dane$x[ucz], dane$y[ucz], dane$klasa[ucz], col = kolory[dane$klasa[ucz]])#klasyfikator liniowylda.dane = lda(klasa~x+y, data = dane[ucz,])lda.daneplot(dane$x, dane$y, col = "white", xlab = "x", ylab = "y")dane.ldatestpred = predict(lda.dane, dane[-ucz,])text(dane$x[-ucz], dane$y[-ucz], dane$klasa[-ucz],col = kolory[dane.ldatestpred$class], font=2)#ocena klasyfikatora#błędy na zbiorze testowym(tabl2 = table(prognoza = dane.ldatestpred$class, prawdziwe = dane$klasa[-ucz]))print("Błšd na zbiorze testowym:", quote = F)1-sum(diag(tabl2))/sum(tabl2)#klasyfikator kwadratowyqda.dane = qda(klasa~x+y, data = dane[ucz,])qda.dane#wykresplot(dane$x, dane$y, col = "white", xlab = "x", ylab = "y")text(dane$x[-ucz],dane$y[-ucz], dane$klasa[-ucz],col = kolory[predict(qda.dane, dane[-ucz,])$class], font=2)#ocena klasyfikatora#błędy na zbiorze testowym(tabl2 = table(prognoza = predict(qda.dane, dane[-ucz,])$class, prawdziwe = dane$klasa[-ucz]))print("Błšd na zbiorze testowym:", quote = F)1-sum(diag(tabl2))/sum(tabl2)# Zadanie 8) Dokonać klasyfikacji gatunku irysów (dane iris - por. wykład)# w oparciu o rozmiary działki kielicha (ang. sepal).# Wylosować jako zbiór uczšcy 100 kwiatów.# Klasyfikacji dokonać metodš 1, 3 i 5 najbliższych sšsiadów.irisirys = iris#zmiana nazwnames(iris) = c("dk", "sk", "dp", "sp", "gat")levels(iris$gat) = c("s", "c", "v")ucz = sample(150, 100, rep = F)irys$dk = scale(irys$dk)irys$sk = scale(irys$sk)kolory = c("red","black", "blue")library(klaR)kns1 = sknn(gat~dk+sk, data = irys[ucz,], kn = 1)kns3 = sknn(gat~dk+sk, data = irys[ucz,], kn = 3)kns5 = sknn(gat~dk+sk, data = irys[ucz,], kn = 5)#wykres1plot(iris$dk, iris$sk, col = "white", xlab = "Długoć", ylab = "Szerokoć")text(iris$dk[ucz], iris$sk[ucz], iris$gat[ucz],col = kolory[predict(kns1)$class])text(iris$dp[-ucz], iris$sp[-ucz], iris$gat[-ucz],col = kolory[predict(kns1, irys[-ucz,])$class], font=2)(tabl2 = table(prognoza = predict(kns1, irys[-ucz,])$class, prawdziwe = iris$gat[-ucz]))print("Błšd na zbiorze testowym:", quote = F)1-sum(diag(tabl2))/sum(tabl2)#wykres3plot(iris$dk, iris$sk, col = "white", xlab = "Długoć", ylab = "Szerokoć")text(iris$dk[ucz], iris$sk[ucz], iris$gat[ucz],col = kolory[predict(kns3)$class])text(iris$dp[-ucz], iris$sp[-ucz], iris$gat[-ucz],col = kolory[predict(kns3, irys[-ucz,])$class], font=2)(tabl2 = table(prognoza = predict(kns3, irys[-ucz,])$class, prawdziwe = iris$gat[-ucz]))print("Błšd na zbiorze testowym:", quote = F)1-sum(diag(tabl2))/sum(tabl2)#wykres5plot(iris$dk, iris$sk, col = "white", xlab = "Długoć", ylab = "Szerokoć")text(iris$dk[ucz], iris$sk[ucz], iris$gat[ucz],col = kolory[predict(kns5)$class])text(iris$dp[-ucz], iris$sp[-ucz], iris$gat[-ucz],col = kolory[predict(kns5, irys[-ucz,])$class], font=2)(tabl2 = table(prognoza = predict(kns5, irys[-ucz,])$class, prawdziwe = iris$gat[-ucz]))print("Błšd na zbiorze testowym:", quote = F) [ Pobierz całość w formacie PDF ]