- 20150827 [學習筆記] R與資料探勘 (5)
- 整理自 R軟體與資料探勘之開發與應用 -- 期望最大值演算法、自組織映射圖
- [ GitHub ]
- （九）期望最大值演算法(Expectation-Maximization)
- [前置作業] 基本概念
- STAGE 1 : 輸入資料和運算階段
- STAGE 2 : 評估階段
- （十）自組織映射圖(Self Organizing Maps)
- [前置作業] 基本概念
- STAGE 1 : 輸入資料和運算階段
- STAGE 2 : 評估階段
Visible to members of this folder
整理自 R軟體與資料探勘之開發與應用 -- 期望最大值演算法、自組織映射圖
R 軟體安裝(略過)R Studio軟體安裝(略過)START : 訓練資料和測試資料(完成)（一）倒傳遞類神經網路(Back-Propagation Neural Network)(完成)（二）決策樹(Decision Tree)（三）支援向量機(Support Vector Machine)(完成)（四）貝式分類(Naïve Bayes)（五）k位最近鄰居法(k-Nearest Neighbor)（六）階層分群演算法(Hierarchical Clustering)(完成)（七）k平均演算法(k-Means)(完成)（八）模糊c平均演算法(Fuzzy c-Means)(完成)（九）期望最大值演算法(Expectation-Maximization)
install.packages("mclust")library("mclust")# input datainputfile <- read.csv(file.choose())inputdata <- subset(inputfile, select = -Species)# computationem.model <- Mclust(inputdata, 3)print(em.model)# evaluationtable(inputfile$Species, em.model$classification)plot(em.model, what=c('classification'), mens=c(3,4))（十）自組織映射圖(Self Organizing Maps)
install.packages("som")library("som")# input datainputfile <- read.csv(file.choose())inputdata <- subset(inputfile, select = -Species)inputdata.n <- normalize(inputdata, byrow=F)# computationsom.model <- som(inputdata.n, xdim=4, ydim=4, topol="rect", neigh="gaussian")print(som.model)# evaluationplot(som.model)