我正在做一个机器学习项目,并使用C5.0决策树查看乳腺癌数据,以尝试并预测诊断为恶性或良性。该数据集是UCI机器学习数据集之一,并发布在以下链接上:https://archive.ics.uci.edu/ml/datasets/Breast+Cancer+Wisconsin+%28Diagnostic%29。
我认为我的代码对于该模型是正确的,但是每当我为测试数据运行它时,它对于该数据的准确性就达到100%。我以为这意味着我做错了什么,但不确定什么:
#Load Library
library(C50)
library(gmodels)
library(tidyverse)
library(dplyr)
#Import Data
setwd("C:\\Users\\Grant\\Downloads")
wdbc<-read.delim("C:\\Users\\Grant\\Downloads\\wdbc.txt", header=TRUE, sep=",")
#Need to convert it to factor
wdbc2=mutate(wdbc, Diagnosis=as.factor(diagnosis))
#Randomize Sequence
set.seed(12345)
wdbc_rand<-wdbc2[order(runif(569)), ]
#Split into training vs. test data
wdbc_train<-wdbc_rand[1:512, ]
wdbc_test<-wdbc_rand[512:569, ]
#Create Model
wdbc_model<-C5.0(x=wdbc_train[-2], y=wdbc_train$Diagnosis)
#Evaluate Performance
wdbc_pred <- predict(wdbc_model, wdbc_test)
CrossTable(wdbc_test$Diagnosis, wdbc_pred, prop.chisq = FALSE,
prop.c = FALSE, prop.r = FALSE, dnn= c('actual diagnosis', 'predicted diagnosis'))
在此我可能做错的任何帮助或潜在的事情将不胜感激
答案 0 :(得分:0)
还不能输入评论(需要50个声望点),所以我将在这里输入。代码似乎是正确的,但我认为准确性不是100%。在3种情况下,预测为B而诊断为M。您在训练模型时也将ID用作预测变量,我也将其删除。
答案 1 :(得分:0)
不是使用手动set.seed
来拆分数据(对于随机出现的训练数据集和测试数据集,这样您就可以获得理想的数据形状并可以对其进行训练。您所做的是完全错误的方法来训练一个机器学习模型方法。
set.seed(123)
wdbc = wdbc.split(splitratio = 0.7) #(here it is 70% of training data and 20% of test data)