分类分析--数据准备

分类分析

有监督机器学习领域中包含许多可用于分类的方法，如逻辑回归、决策树、随机森林、支持向量机、神经网络等，有监督学习基于一组包含预测变量值和输出变量值的样本单元。将全部数据分为一个训练集和一个验证集，其中训练集用于建立预测模型，验证集用于测试模型的准确性。

主要例子来源于UCI机器学习数据库中的威斯康星州乳腺癌数据。数据分析的目的是根据细胞组织细针抽吸活检所反映的特征，来判断被检者是否患有乳腺癌（细胞组织样本单元由空心细针在皮下肿块中抽得）。

需要如下几个包：

install.packages("party", depend = T)

library(rpart)

library(rpart.plot)

library(party)

library(randomForest)

library(e1071)

1 数据准备

威斯康星州乳腺癌数据集是一个由逗号分隔的txt文件，可在UCI机器学习数据库（http://archive.ics.uci.edu/ml）中找到。本数据集包含699个细针抽吸活检的样本单元，其中458个 （65.5%）为良性样本单元，241个（34.5%）为恶性样本单元。数据集中共有11个变量，表中未标明变量名。共有16个样本单元中有缺失数据并用问号（?）表示。

数据集中包含的变量包括：

q ID

q 肿块厚度

q 细胞大小的均匀性

q 细胞形状的均匀性

q 边际附着力

q 单个上皮细胞大小

q 裸核

q 乏味染色体

q 正常核

q 有丝分裂

q 类别

第一个变量ID不纳入数据分析，最后一个变量（类别）即输出变量（编码为良性=2，恶性=4）。

对于每一个样本来说，另外九个变量是与判别恶性肿瘤相关的细胞特征，并且得到了记录。

这些细胞特征得分为1（最接近良性）至10（最接近病变）之间的整数。任一变量都不能单独作为判别良性或恶性的标准，建模的目的是找到九个细胞特征的某种组合，从而实现对恶性肿瘤的准确预测。

下面给出R中数据准备流程。数据从UCI数据库中抽取，并随机分出训练集和验证集，其中

训练集中包含499个样本单元（占70%），其中良性样本单元329个，恶性160个；验证集中包含210个样本单元（占30%），其中良性129个，恶性81个。

（1）乳腺癌数据准备

loc <- "http://archive.ics.uci.edu/ml/machine-learning-databases/"

ds <- "breast-cancer-wisconsin/breast-cancer-wisconsin.data"

url <- paste(loc, ds, sep="")   

breast <- read.table(url, sep=",", header=FALSE, na.strings="?")

names(breast) <- c("ID", "clumpThickness", "sizeUniformity",            #给数据集属性贴标签

                   "shapeUniformity", "maginalAdhesion",

                   "singleEpithelialCellSize", "bareNuclei",

                   "blandChromatin", "normalNucleoli", "mitosis", "class")

df <- breast[-1]

df$class <- factor(df$class, levels=c(2,4),        

                   labels=c("benign", "malignant"))

set.seed(1234)

train <- sample(nrow(df), 0.7*nrow(df))         #划分训练集和验证集

df.train <- df[train,]          #训练集

df.validate <- df[-train,]          #验证集

table(df.train$class)    

table(df.validate$class)

训练集将用于建立逻辑回归、决策树、条件推断树、随机森林、支持向量机等分类模型，测试集用于评估各个模型的有效性。采用相同的数据集，因此可以直接比较各个方法的结果。