Question

我迷失在这个开始的地方。使用R内置的IRIS数据集，我的任务是：

使用最近邻分类器（NN）[1]编写一段R代码，为每个OBSERVATIONS（四维）分配单个类别标签。使用A部分作为参考数据库（观察和类标签），将B部分作为测试集。假设您不知道B部分的类别标签，对于B部分的每次观察，找到A部分中最近的观察值，并将其类别标签分配给A部分的观察。

计算并返回每类精确度（每个类别正确分类的观测数量除以观察总数）。

我为第一部分编写的代码非常简单：

newData = iris

evenRows.A <- newData[seq(2, nrow(newData), 2),]  #SELECT EVEN ROWS

oddRows.B <- newData[seq(1, nrow(newData), 2),]   #SELECT ODD ROWS. This is the testing set

对于班级标签的任何帮助都已经非常感激了。

编辑：格式化的R代码

Answer 1

    newData = iris
    evenRows.A <- newData[seq(2, nrow(newData), 2),]  #SELECT EVEN ROWS
    oddRows.B <- newData[seq(1, nrow(newData), 2),]   #SELECT ODD ROWS. This is the testing set

normalize <- function(x){return((x-min(x))/(max(x)-min(x)))}       #Define a function to normalize the data
    evenRows.train<- as.data.frame(normalize(evenRows.A[,c(1,2,3,4)]))  #Apply normalization to part A, the reference data
    oddRows.test<- as.data.frame(normalize(oddRows.B[,c(1,2,3,4)]))    #Apply normalization to part B, the test data
    evenRows.train.target<-evenRows.A[,5]

    require(class)  #load required classes for nearest neighbor modelling
    sqrt(150)
    #rule of thumb: pick k= sqrt(observations), rounded to nearest odd integer. In this case, 12.247 --> k = 13

    model1<-knn(train=evenRows.train, test=oddRows.test, cl=evenRows.train.target, k=13)
    model1

    #Display confusion matrix of results, to quantify correct versus incorrect classification

    table(oddRows.test.target, model1)

我试图应用k个最近邻分类，并在结尾处将结果显示为混淆矩阵。你能否告诉我这是否是我发布的问题的合理方法？

在R

1 个答案: