28086

Drzewa klasyfikacyjne

Dla danych dane.csv (z modeli liniowych i mieszanych) skonstruować drzewo klasyfikacyjne, gdzie liśćmi będzie miejsce hospitalizacji, natomiast korzeniami płeć, wiek oraz poziom hemoglobiny.

>    drzewo=rpart(szpital~Wiek+Płeć+Anemia,data=dane,cp=0.005, minsplit=10)

>    plot(drzewo,branch=0.7)

>    text(drzewo,use.n=T)

Następnie wykonać następujące polecenia.

1)    Wybrać optymalną wartość współczynnika złożoności, przy pomocy funkcji

>    plotcp(drzewo)

i wyznaczyć ponownie drzewo z uzyskaną wartością współczynnika złożoności.

2)    Wybrać drzewo optymalne przy pomocy metody kros-walidacji

>    for (i in l:n) {

>    drzewo.i=rpart(szpital'^vPłeć+Wiek+Hemoglobina,data=dane[-c(i),),cp=0.005,minsplit=10)

>    pred=predict(drzewo.i,newdata=dane[c(i),],type="class^M)

>    if (pred==dane$szpital[ij) popr.klas[i)=l

>    }

>    popr.klas

3)    Następnie oszacować ułamek poprawnych klasyfikacji oraz błąd klasyfikacji na podstawie kros-walidacji

>    upk=sum(popr.klas)/n

>    bl.cv=l-upk

4)    Porównać wartości z zadania nr 3 dla drzewa ze współczynnikiem złożoności=0.005. Które drzewo jest lepsze?

5)    Do której z klas należałby mężczyzna w wieku 74 lat z poziomem hemoglobiny 13.29?

>    new.dane=as.data.frame(matrix(c(l,74,13.29),1,3))

>    names(new.dane)=c("Płeć","Wiek","Hemoglobina")

>    predict(drzewo,new.dane,type=’'class")

6)    Maksymalnie w trzy-osobowych grupach roboczych opisać i zinterpretować uzyskane wyniki.