R22_버섯 분류 - 나이브 베이즈 방법

mushrooms.csv

# 버섯 분류 - 나이브 베이즈 방법

# 1. 데이터 준비

mushroom<- read.csv (file = 'mlwr/mushrooms.csv',

                     encoding = 'UTF-8',stringsAsFactors = T)

# 2. 데이터 확인, 전처리

str(mushroom)

# veil_type 변수(특징)는 모든 관찰값에서 항상 같은 값('partial')

# -> 버섯 분류할 때 사용되지 않는 변수 -> 데이터 프레임에서 제거

mushroom$veil_type <- NULL

# 버섯들의 클래스(분류 레이블) - type 변수

table(mushroom$type)

prop.table(table(mushroom$type))

# 식용 : 독버섯 = 0.517 :  0.483

# 나이브 베이즈 방법을 사용할 학습 데이터 세트 / 테스트 데이터 세트         #정렬된 데이터를 무작위로 섞기

# 학습(75%) : 테스트(25%)

sample_count<- round(nrow(mushroom) * 0.75)

  # nrow(데이터프레임) : 데이터프레임의 행(row, observation)의 갯수

  # round(): 반올림 함수

set.seed(123) # 같은 순서의 난수들을 발생시키기 위함

sample_rows <- sample(nrow(mushroom),sample_count)

sample_rows

# 학습 데이터 세트

mushroom_train <- mushroom[sample_rows,]

train_label <- mushroom_train[sample_rows,1]

mushroom_train <- mushroom_train[-1] # 첫 번째 컬럼(type)을 제거 !!

# 테스트 데이터 세트

mushroom_test <- mushroom[-sample_rows, ]

test_label <- mushroom_test$type

mushroom_test <- mushroom_test[-1]

str(mushroom_test)

prop.table(table(test_label))

# 3. 모델 생성 - 나이브 베이즈

library(e1071)

classifier <- naiveBayes(mushroom_train, train_label)

summary(classifier)

# 4. 모델 평가

mushroom_predict <- predict(classifier, mushroom_test)

library(gmodels)

CrossTable(x = test_label, y = mushroom_predict,

           prop.chisq = F)

# 5 모델 향상 - 라플라스 추정량 변경

classifier <- naiveBayes(mushroom_train, train_label,

                         laplace = 1)

mushroom_predict <- predict(classifier, mushroom_test)

CrossTable(x= test_label, y = mushroom_predict,

           prop.chisq = F)