笨笨的小家
地址：http://my.pcbaby.com.cn//
快乐就好。
你现在所处的位置是：&& 婴儿儿童服装尺码、身高、衣长对照表及计算表
阅读(0) ┊ (0) ┊
&一童装尺码与儿童年龄、身高、胸围对照表年龄尺码身高尺码单数尺码双数尺码对照年龄（&year）对照身高&(cm)对照胸围&(cm)对照腰围&(cm)3M55cm————0---0.352-5940406M65&cm————0.3-0.659-7344331Y75&cm1&＃2&＃0.6---173-8048481Y&-2Y80&cm1&＃&-3&＃2&＃&-4&＃1-----275-8550492Y&-3Y90&cm3&＃4&＃2-----385-9552503Y&-4Y100&cm5&＃6&＃3-----495-10554514Y&-5Y110&cm7&＃8&＃4-----5105-11557526Y&-7Y120&cm9&＃10&＃6-----7115-12560548Y-9Y130&cm11&＃&-13&＃12&＃&-14&＃8-----9125-135645710Y-11Y140&cm15&＃16&＃10---11135-145686112Y-13Y150&cm15&＃&-23&＃16&＃&-24&＃12---13145-155726414Y-15Y160&cm15&＃&-23&＃16&＃&-24&＃14---15155-1657666&中、日韩、欧美童装尺码组对应表年龄尺码组身高尺码组规格1规格2规格3（欧）规格4（日韩）1岁（Y、T）70CM1#2#68、74702岁（Y、T）80CM3#4#80、86803岁（Y、T）90CM3#4#86、9285、904岁（Y、T）100CM5#6#98、10495、1005岁（Y、T）110CM7#8#110、116105、1106岁（Y、T）120CM9#10#116、122110、1157岁（Y、T）120CM9#10#122、128115、1208岁（Y、T）130CM11#12#128、134125、1309岁（Y、T）130CM13#14#134、140130、13510岁（Y、T）140CM15#16#140、146135、14010岁以上（Y、T）140-160CM15#-23#16#-24#146、188140、160&童装身高上下装尺寸对照表年龄&&&&&&&&&&身高（cm）&&&&号码&&&&&&&&&&上装（cm）&&&&&下装（cm）&&&&&1岁以下&&&&&&&&&80&&&&&&&&&&&&&&&2号&&&&&&&&&&&&&&&&&48&&&&&&&&&&&&&&&&&&&&48&1-2&&&&&&&&&&&&&&&&90&&&&&&&&&&&&&&&4号&&&&&&&&&&&&&&&&&52&&&&&&&&&&&&&&&&&&&&50&&&&&&&2-3&&&&&&&&&&&&&&100&&&&&&&&&&&&&&&6号&&&&&&&&&&&&&&&&&56&&&&&&&&&&&&&&&&&&&&52&4-5&&&&&&&&&&&&&&110&&&&&&&&&&&&&&&8号&&&&&&&&&&&&&&&&&60&&&&&&&&&&&&&&&&&&&&54&5-6&&&&&&&&&&&&&&120&&&&&&&&&&&&&&10号&&&&&&&&&&&&&&&&64&&&&&&&&&&&&&&&&&&&&57&7-8&&&&&&&&&&&&&&130&&&&&&&&&&&&&&12号&&&&&&&&&&&&&&&&68&&&&&&&&&&&&&&&&&&&&60&9-10&&&&&&&&&&&&140&&&&&&&&&&&&&&14号&&&&&&&&&&&&&&&&72&&&&&&&&&&&&&&&&&&&&63&11-12&&&&&&&&&&150&&&&&&&&&&&&&&16号&&&&&&&&&&&&&&&&76&&&&&&&&&&&&&&&&&&&&66&13-14&&&&&&&&&&160&&&&&&&&&&&&&&18号&&&&&&&&&&&&&&&80&&&&&&&&&&&&&&&&&&&&&69&15-16&&&&&&&&&&170&&&&&&&&&&&&&&20号&&&&&&&&&&&&&&&84&&&&&&&&&&&&&&&&&&&&&72&&&&&&二&如果您出门在外为家中的孩子选择童装，不妨按照这个公式计算一下，为孩子选一件满意合体的服装。童装衣长和身高关系对照表款式品种衣长童上衣＝身高&*50％童夹克＝身高&*49％童长裤＝身高&*75％童大衣＝身高&*75％连衣裙＝身高&*78％童短裤＝身高&*30％&儿童年龄身高对照表幼&童&小&童年&龄男&童女&童年&龄男&童女&童新生48.2-52.847.7-52.02&岁84.3-91.083.3-89.81&月52.1-57.051.2-55.82.5&岁88.9-95.887.9-94.72&月55.5-60.754.4-59.23&岁91.1-98.790.2-98.13&月58.5-63.757.1-59.53.5&岁95.0-103.194.0-101.84&月61.0-66.459.4-64.54&岁98.7-107.297.6-105.75&月63.2-68.661.5-66.74.5&岁102.1-111.0100.9-109.36&月65.1-70.563.3-68.65&岁105.3-114.5104.0-112.88&月68.3-73.666.4-71.85.5&岁108.4-117.8106.9-116.210&月71.0-76.369.0-74.56&岁111.2-121.0109.7-119.612&月73.4-78.871.5-77.1&&&15&月76.6-82.374.8-80.7&&&18&月79.4-85.477.9-84.0&&&21&月81.9-88.480.6-87.0&&&中&童&大&童年&龄男&童女&童年&龄男&童女&童7&岁116.6-126.8115.1-126.211&岁139.6-159.2141.3-159.38&岁121.6-132.2120.4-132.412&岁144.4-166.4147.5-163.49&岁126.5-137.8125.7-138.713&岁152.8-170.4151.8-166.910&岁131.4-143.6131.5-145.114&岁159.8-174.3153.5-168.1&&&15&岁163.2-177.5154.5-168.7&&&16&岁165.5-180.5155.1-169.2一般情况下，儿童的头部占总身高的20%，体高占总身高的80%。为儿童选择服装时，通常以体高为标准。儿童短裤长约等于体高的30%；儿童衬衫长约等于体高的50%：儿童长裤约等于体高的75%；儿童茄克衫约等于体高的49%；儿童西装长约等于体高的53%；儿童长大衣约等于体高的70%；女童连衣裙约等于体高的78%。例如，身高为100厘米的女童，体高为100厘米的80%，约80厘米。如果选购一件连衣裙，衣长为80厘米的78%即62厘米长。如果选购一件衬衫，衣长为80厘米的50%即40厘米。选择合适的尺寸是网购是否可心的最关键问题,最好的办法就是：把您或者你&觉得孩子目前穿着最合适的一件衣服拿出来，平铺，用卷尺或者直尺,按照以下图示测量衣物的衣长，胸&围等对应尺寸,然后和北妈提供的尺寸对比选择就好了!(北妈提供产品尺寸均是衣服平铺,卷尺&测量的尺寸!)有1-2厘米的出入。说明：&1、与成人装统一按&“S/M/L&尺码组&”&编号不同，童装有不同的尺码编号方式，其中&“&年龄尺码组”和“身高尺码组&”&直接以年龄或身高数编号，“单数尺码组”或“双数尺码组&”&以单数或双数编号，购衣可根据上表所列的单、双号尺码与年龄、身高的对应关系选择合适尺码。2、除上述尺码组外，童装实际上还有其他的尺码表述方式，其尺码和年龄、身高的对应关系也可参考上表。3、宝宝的身材会有差别，本表仅作参考，请根据商品&“&尺码详细描述&”&中的衣服尺寸选择合适尺码。&童鞋尺码对照表:厘米1414.51515.51616.51717.518尺码2525.52626.52727.52828.529.5厘米18.51919.52020.52121.52222.5尺码303131.5323333.5343535.5&&衣服洗涤说明：首先，宝宝的衣服要和大人的分开洗涤，特别是内衣，最好手洗，因为洗衣机洗全家人的衣服，机器内藏着许多细菌。婴幼儿衣物经洗衣机一洗，会沾上许多细菌，这些细菌对成人来说没问题，但对婴幼儿可能就是大麻烦。他们的皮肤抵抗力差，很容易引起过敏或其他皮肤问题。其次是选择适合婴儿用的洗涤剂。注意不要含磷、铝、荧光增白剂等有害物质，它们会不同程度地引发宝宝的皮肤问题。如果没有合适的专用洗涤产品，用肥皂也不失为一个选择。同时，要挑选那些味道清淡的洗涤产品，因为过多的芳香剂会使宝宝生皮疹。第三，可以适当选用衣物护理产品。衣物在洗涤过程中，细小纤维往往会缠绕、纠结在一起，而且洗涤剂的碱性作用会使纤维固有的光滑性、延伸性及弹性受到影响，让整件衣物触摸起来手感很生硬，衣物柔顺剂的作用就好像是为织物纤维的表面均匀地上一层保护膜，纤维间的摩擦系数降低了、织物变得更加柔软、蓬松、有弹性。值得注意的是，很多妈妈在用柔顺剂后还是按常规用水漂洗，这样做是不对的。如果说洗衣粉祛除污渍的作用是在做“减法”，那么柔顺剂对纤维的保护就是做“加法”，将衣物过水，等于去除了纤维表面的保护膜。小小衣服大学问，年轻的爸妈在艰辛但乐趣无穷的育儿的过程中只有掌握科学的方法、选择合适的婴儿用品，才能抚育出更加健康的宝宝。水温不可超30度，悬挂（反面）晾干这样可降低衣服褪色度，还不易变形。
年龄：36岁
宝宝：乐乐
其它分类其他日记
收藏她日记的好友加载数据& w&-read.table(&test.prn&,header = T)& w
X.. X...11
5& library(readxl)& dat&-read_excel(&test.xlsx&)& dat# A tibble: 4 x 2
`商品` `价格`
5& bank=read.table(&bank-full.csv&,header = TRUE,sep=&,&)查看数据结构& str(bank)'data.frame':
41188 obs. of
21 variables: $ age
56 57 37 40 56 45 59 41 24 25 ... $ job
: Factor w/ 12 levels &admin.&,&blue-collar&,..: 4 8 8 1 8 8 1 2 10 8 ... $ marital
: Factor w/ 4 levels &divorced&,&married&,..: 2 2 2 2 2 2 2 2 3 3 ... $ education
: Factor w/ 8 levels &basic.4y&,&basic.6y&,..: 1 4 4 2 4 3 6 8 6 4 ... $ default
: Factor w/ 3 levels &no&,&unknown&,..: 1 2 1 1 1 2 1 2 1 1 ... $ housing
: Factor w/ 3 levels &no&,&unknown&,..: 1 1 3 1 1 1 1 1 3 3 ... $ loan
: Factor w/ 3 levels &no&,&unknown&,..: 1 1 1 1 3 1 1 1 1 1 ... $ contact
: Factor w/ 2 levels &cellular&,&telephone&: 2 2 2 2 2 2 2 2 2 2 ... $ month
: Factor w/ 10 levels &apr&,&aug&,&dec&,..: 7 7 7 7 7 7 7 7 7 7 ... $ day_of_week
: Factor w/ 5 levels &fri&,&mon&,&thu&,..: 2 2 2 2 2 2 2 2 2 2 ... $ duration
261 149 226 151 307 198 139 217 380 50 ... $ campaign
1 1 1 1 1 1 1 1 1 1 ... $ pdays
999 999 999 999 999 999 999 999 999 999 ... $ previous
0 0 0 0 0 0 0 0 0 0 ... $ poutcome
: Factor w/ 3 levels &failure&,&nonexistent&,..: 2 2 2 2 2 2 2 2 2 2 ... $ emp.var.rate
1.1 1.1 1.1 1.1 1.1 1.1 1.1 1.1 1.1 1.1 ... $ cons.price.idx: num
94 94 94 94 94 ... $ cons.conf.idx : num
-36.4 -36.4 -36.4 -36.4 -36.4 -36.4 -36.4 -36.4 -36.4 -36.4 ... $ euribor3m
4.86 4.86 4.86 4.86 4.86 ... $ nr.employed
: Factor w/ 2 levels &no&,&yes&: 1 1 1 1 1 1 1 1 1 1 ...查看数据的最小值，最大值，中位数，平均数，分位数& summary(bank)
divorced: 4612
1st Qu.:32.00
blue-collar: 9254
married :24928
Median :38.00
technician : 6743
3rd Qu.:47.00
management : 2924
university.degree
high.school
unknown: 8597
professional.course: 5243
day_of_week no
cellular :26144
telephone:15044
(Other): 2016
1st Qu.: 102.0
1st Qu.: 1.000
1st Qu.:999.0
Median : 180.0
Median : 2.000
Median :999.0
3rd Qu.: 319.0
3rd Qu.: 3.000
3rd Qu.:999.0
emp.var.rate
1st Qu.:0.000
nonexistent:35563
1st Qu.:-1.80000
Median :0.000
Median : 1.10000
3rd Qu.:0.000
3rd Qu.: 1.40000
cons.price.idx
cons.conf.idx
1st Qu.:93.08
1st Qu.:-42.7
1st Qu.:1.344
Median :93.75
Median :-41.8
Median :4.857
3rd Qu.:93.99
3rd Qu.:-36.4
3rd Qu.:4.961
nr.employed
1st Qu.:5099
Median :5191
3rd Qu.:5228
& psych::describe(bank)
平均值
均值
最小值
最大值
最小值
median trimmed
kurtosisage
-1.39marital*
3.00 -0.06
-0.34education*
7.00 -0.24
-1.21default*
0.07housing*
2.00 -0.14
-1.95loan*
1.38contact*
-1.69month*
9.00 -0.31
-1.03day_of_week*
-1.27duration
11 4 259.28
210.61 139.36
20.24campaign
36.97pdays
13 4 186.91
999.00 -4.92
22.23previous
20.11poutcome*
2.00 -0.88
3.98emp.var.rate
4.80 -0.72
-1.06cons.price.idx
2.57 -0.23
-0.83cons.conf.idx
-0.36euribor3m
4.41 -0.71
-1.41nr.employed
72.25 8.43
55.00 8.10
264.50 -1.04
0.02marital*
0.00education*
0.01default*
0.00housing*
0.00contact*
0.00month*
0.01day_of_week*
0.01duration
1.28campaign
0.92previous
0.00poutcome*
0.00emp.var.rate
0.01cons.price.idx 0.00cons.conf.idx
0.02euribor3m
0.01nr.employed
0.00查看数据是否有缺失值& sapply(bank,anyNA)
day_of_week
emp.var.rate
FALSE cons.price.idx
cons.conf.idx
nr.employed
FALSE 成功与不成功的个数& table(bank$y)
yes 3 在是否结婚这个属性的取值与是否成功的数量比较& table(bank$y,bank$marital)
divorced married single unknown
12& xtabs(~y+marital,data=bank)
divorced married single unknown
12& tab=table(bank$y,bank$marital)& tab
divorced married single unknown
12在是否结婚这个属性上的取值& margin.table(tab,2)divorced
80 & margin.table(tab,1)
yes 3 在是否结婚这个属性上横向看概率& prop.table(tab,1)
yes 0....在是否结婚这个属性上纵向看概率& prop.table(tab,2)
0....8500000
yes 0....1500000平的列联表以第一列和第二列，展开分类group by 1,2以col.vars 的取值 进行次数统计& ftable(bank[,c(3,4,21)],row.vars = 1:2,col.vars = &y&)
yesmarital
divorced basic.4y
high.school
illiterate
professional.course
university.degree
high.school
illiterate
professional.course
university.degree
high.school
illiterate
professional.course
university.degree
103unknown
high.school
illiterate
professional.course
university.degree
2卡方检验，在p值小于2.2e-16时，拒绝原假设，认为数据不服从卡方分布& chisq.test(tab)
Pearson's Chi-squared testdata:
tabX-squared = 122.66, df = 3, p-value & 2.2e-16画直方图& hist(bank$age)& library(lattice)画连续变量的分布，就是把直方图的中位数连接起来以年龄为横轴，y为纵轴，数据是bank,画图，auto.key是否有图例& densityplot(~age,groups = y,data=bank,plot.point=FALSE,auto.key = TRUE)画Box图& boxplot(age~y,data=bank)双样本t分布检验，p值小于0.05时拒绝原假设这里的原假设是两个样本没有相关性得到的结果是p值为1.805e-06,拒绝两个样本没有相关性的假设这里认为两个样本有相关性& t.test(age~y,data=bank,alternative=&two.sided&,var.equal=FALSE)
Welch Two Sample t-testdata:
age by yt = -4.7795, df = 5258.5, p-value = 1.805e-06alternative hypothesis: true difference in means is not equal to 095 percent confidence interval: -1..5909889sample estimates: mean in group no mean in group yes
40.91315 数据可视化画饼图& tab=table(bank$marital)& pie(tab)画直方图& tab=table(bank$marital)& barplot(tab)画下面这个图& tab=table(bank$marital,bank$y)& plot(tab) 画层叠直方图& tab=table(bank$marital,bank$y)& lattice::barchart(tab,auto.key=TRUE) 加载这个包，准备画图& library(dplyr)& data=group_by(bank,marital,y)& data=tally(data)！！！！！！！！！！！！！& ggplot2::ggplot(data=data,mapping=aes(marital,n))+geom_bar(mapping=aes(fill=y),position=&dodge&,stat=&identity&)数据预处理分组之后再画图& labels=c('青年','中年','老年')& bank$age_group=cut(bank$age,breaks = c(0,35,55,100),right = FALSE,labels = labels)& library(ggplot2)& ggplot(data=bank,mapping = aes(age_group))+geom_bar(mapping = aes(fill=y),position=&dodge&,stat=&count&) 衍生变量直接使用$符向原数据框添加新的变量& bank$log.cons.price.idx=log(bank$cons.price.idx)使用transform函数向原数据框添加变量& bank&-transform(bank,log.cons.price.idx=log(cons.price.idx),log.nr.employed=log(nr.employed))使用dplyr包里的mutate函数增加变量& bank&-dplyr::mutate(bank,log.cons.price.idx=log(cons.price.idx))使用dplyr包里的transmute函数只保留新生成的变量& bank2&-dplyr::transmute(bank,log.cons.price.idx=log(cons.price.idx),log.nr.employed=log(nr.employed))中心化& v=1:10& v1=v-mean(v)& v2=scale(v,center=TRUE,scale = FALSE)无量纲化& V1=v/sqrt(sum(v^2)/(length(v)-1))& v2=scale(v,center=FALSE,scale=TRUE)根据最大最小值进行归一化& v3=(v-min(v))/(max(v)-min(v))进行标准正态化& v1=(v-mean(v))/sd(v)& v2=scale(v,center = TRUE,scale=TRUE)Box-Cox变换使用car包里的boxCox函数& install.packages(&car&)& library(car)& boxCox(age~.,data=bank)
使用caret包，做Box-Cox变换& install.packages(&caret&)& library(caret)& dat&-subset(bank,select=&age&)& trans&-preProcess(dat,method=C(&BoxCox&))数据预处理下违反常识的异常值基于数据分布的异常值(离群点)识别bank.dirty=read.csv(&bank-dirty.csv&)summary(bank.dirty)
divorced: 4612
university.degree
1st Qu.: 32.00
blue-collar: 9254
married :24928
high.school
Median : 38.00
technician : 6743
professional.course: 5242
3rd Qu.: 47.00
management : 2924
cellular :26144
yes :21576
yes : 6248
telephone:15044
NA's: 8597
(Other): 2016
day_of_week
1st Qu.: 102.0
1st Qu.: 1.000
1st Qu.:999.0
1st Qu.:0.000
Median : 180.0
Median : 2.000
Median :999.0
Median :0.000
3rd Qu.: 319.0
3rd Qu.: 3.000
3rd Qu.:999.0
3rd Qu.:0.000
emp.var.rate
cons.price.idx
cons.conf.idx
nonexistent:35563
1st Qu.:-1.80000
1st Qu.:93.08
1st Qu.:-42.7
Median : 1.10000
Median :93.75
Median :-41.8
3rd Qu.: 1.40000
3rd Qu.:93.99
3rd Qu.:-36.4
nr.employed
1st Qu.:1.344
1st Qu.:5099
Median :4.857
Median :5191
3rd Qu.:4.961
3rd Qu.:5228
常识告诉我们，虽然123岁的老人存在，但概率也极低，也不太可能是银行的客户找出在年龄这一列的上离群值和下离群值& head(bank.dirty[order(bank.dirty$age,decreasing = TRUE),'age',drop=FALSE],n=5)
94& tail(bank.dirty[order(bank.dirty$age,decreasing = TRUE),'age',drop=FALSE],n=5)
NA异常值的处理当作缺失值处理& bank.dirty$age[which(bank.dirty$age&98)]&-NA删除或者插补重编码职业类型有12个分类，不利于后续分析，把除了unknown以外的分类进行重新编码，简化成4类Month有12个分类，把它转化成季度Education的分类，除了unknow之外有7类进行重编码levels(bank.dirty$job) &- c( &management&,&services&,&entrepreneur&,&entrepreneur&,
&management&,&unemployed&,
&entrepreneur&,&services&,
&unemployed&,&services&,&unemployed&,&unknown& )& levels(bank.dirty$month) &- c(&Q2&,&Q3&,&Q4&,&Q3&,&Q2&,
&Q1&,&Q2&,&Q4&,&Q4&,&Q3&)& & levels(bank.dirty$education) &- c( &primary&,&primary&,&primary&,&secondary&,
&primary&,&tertiary&,&tertiary&,&unknown&)缺失值分类较多，分类是unknown,不能给我们提供信息有些模型不能处理缺失值，比如Logistic回归缺失值插补的方法1、
用中位数或众数插补& library(imputeMissings)& bank.clean&-impute(bank.dirty,object = compute(bank.dirty,method = &median/mode&))2、
最邻近(knn)插补library(DMwR)bank.clean=knnImputation(bank.dirty,k=5)3、
随机森林插补library(missForest) Imp = missForest(bank.dirty) bank.clean = Imp$ximp缺失值插补的R包1、
imputeMissings包2、
DMwR包用Logistic回归建立客户响应模型1、
广义线性模型广义线性模型擅长于处理因变量不是连续变量的问题1)
Y是分类变量2)
Y是定序变量3)
Y是离散取值2、
当Y取值是0-1二分类变量是，就是Logistic回归Logistic回归在R中的实现数据重编码bank$y=ifelse(bank$y=='yes',1,0)改成以Q1为参考因子bank$month&-relevel(bank$month,ref=&Q1&)构建Logistic回归模型& model&-glm(y~.,data=bank,family = 'binomial')& summary(model)Call:glm(formula = y ~ ., family = &binomial&, data = bank)Deviance Residuals:
Coefficients: (1 not defined because of singularities)
Estimate Std. Error z value Pr(&|z|)
(Intercept)
-1.957e+02
1.935e+01 -10.116
& 2e-16 ***age
0.767 0.443289
jobblue-collar
-2.659e-01
-3.348 0.000814 ***jobentrepreneur
-2.029e-01
-1.626 0.103924
jobhousemaid
-3.628e-02
-0.246 0.805705
jobmanagement
-8.054e-02
-0.947 0.343423
jobretired
2.743 0.006092 ** jobself-employed
-1.680e-01
-1.428 0.153332
jobservices
-1.497e-01
-1.751 0.079969 .
jobstudent
2.416 0.015680 *
jobtechnician
0.049 0.961086
jobunemployed
0.067 0.946686
jobunknown
-8.046e-02
-0.337 0.736420
maritalmarried
0.230 0.818420
maritalsingle
0.850 0.395473
maritalunknown
0.153 0.878211
educationbasic.6y
0.803 0.422195
educationbasic.9y
-2.154e-02
-0.227 0.820557
educationhigh.school
0.368 0.712895
educationilliterate
1.132e+00
1.531 0.125887
educationprofessional.course
1.121 0.262175
educationuniversity.degree
2.322 0.020211 *
educationunknown
1.138 0.255314
defaultunknown
-3.055e-01
-4.552 5.32e-06 ***defaultyes
-7.150e+00
1.135e+02
-0.063 0.949784
housingunknown
-7.385e-02
-0.531 0.595260
housingyes
-3.740e-03
-0.091 0.927695
loanunknown
-6.362e-02
-1.111 0.266454
contacttelephone
-6.068e-01
& 2e-16 ***monthQ2
-2.192e+00
1.125e-01 -19.479
& 2e-16 ***monthQ3
-1.463e+00
1.148e-01 -12.747
& 2e-16 ***monthQ4
-1.995e+00
1.240e-01 -16.088
& 2e-16 ***day_of_weekmon
-1.216e-01
-1.846 0.064887 .
day_of_weekthu
0.999 0.317842
day_of_weektue
1.049 0.294118
day_of_weekwed
2.199 0.027911 *
& 2e-16 ***campaign
-4.543e-02
-3.922 8.77e-05 ***pdays
-9.627e-04
-4.452 8.50e-06 ***previous
-5.806e-02
-0.988 0.323369
poutcomenonexistent
4.809 1.51e-06 ***poutcomesuccess
4.451 8.56e-06 ***emp.var.rate
-1.389e+00
7.693e-02 -18.057
& 2e-16 ***cons.price.idx
1.815e+00
& 2e-16 ***cons.conf.idx
5.033 4.84e-07 ***euribor3m
0.537 0.590987
nr.employed
2.635 0.008413 ** ---Signif. codes:
0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1(Dispersion parameter for binomial family taken to be 1)
Null deviance: 28999
degrees of freedomResidual deviance: 17199
degrees of freedomAIC: 17293Number of Fisher Scoring iterations: 10& exp(coef(model))
(Intercept)
jobblue-collar
1.001853e+00
jobentrepreneur
jobhousemaid
jobmanagement
jobretired
jobself-employed
jobservices
1.340142e+00
jobstudent
jobtechnician
jobunemployed
1.306514e+00
1.003468e+00
1.008550e+00
jobunknown
maritalmarried
maritalsingle
1.015789e+00
1.068445e+00
maritalunknown
educationbasic.6y
educationbasic.9y
1.065061e+00
1.101276e+00
educationhigh.school
educationilliterate educationprofessional.course
1.034388e+00
3.101297e+00
1.120248e+00
educationuniversity.degree
educationunknown
defaultunknown
1.237856e+00
1.145744e+00
defaultyes
housingunknown
housingyes
loanunknown
contacttelephone
day_of_weekmon
day_of_weekthu
day_of_weektue
1.065828e+00
1.071082e+00
day_of_weekwed
1.154380e+00
1.004678e+00
poutcomenonexistent
1.569466e+00
poutcomesuccess
emp.var.rate
cons.price.idx
2.552531e+00
6.140533e+00
cons.conf.idx
nr.employed
1.034103e+00
1.062408e+00
1.004949e+00 Job变量的基准水平是management,从上面的结果看，服务业和自主劳动者购买银行产品的几率(odds)是管理岗从业人员的0.88倍，未就业人员购买银行产品的几率是管理岗人员的1.25倍& summary(model.step)向前逐步回归& model.step=step(model,direction = &backward&)向后逐步回归& model.step = step(model, direction = &forward&)双向逐步回归& model.step = step(model, direction = &both&)& summary(model.step)Call:glm(formula = y ~ job + education + default + contact + month +
day_of_week + duration + campaign + pdays + poutcome + emp.var.rate +
cons.price.idx + cons.conf.idx + nr.employed, family = &binomial&,
data = bank)Deviance Residuals:
Coefficients:
Estimate Std. Error z value Pr(&|z|)
(Intercept)
-2.031e+02
1.426e+01 -14.246
& 2e-16 ***jobblue-collar
-2.700e-01
-3.411 0.000648 ***jobentrepreneur
-2.043e-01
-1.645 0.100003
jobhousemaid
-2.832e-02
-0.193 0.846590
jobmanagement
-8.368e-02
-0.995 0.319670
jobretired
3.542 0.000397 ***jobself-employed
-1.670e-01
-1.421 0.155435
jobservices
-1.528e-01
-1.789 0.073666 .
jobstudent
2.565 0.010316 *
jobtechnician
0.062 0.950665
jobunemployed
0.071 0.943715
jobunknown
-6.363e-02
-0.268 0.789057
educationbasic.6y
0.752 0.452024
educationbasic.9y
-2.716e-02
-0.288 0.772992
educationhigh.school
0.319 0.749573
educationilliterate
1.118e+00
1.511 0.130744
educationprofessional.course
1.079 0.280686
educationuniversity.degree
2.332 0.019678 *
educationunknown
1.140 0.254110
defaultunknown
-3.017e-01
-4.526 6.02e-06 ***defaultyes
-7.141e+00
1.135e+02
-0.063 0.949831
contacttelephone
-6.011e-01
& 2e-16 ***monthQ2
-2.210e+00
1.108e-01 -19.939
& 2e-16 ***monthQ3
-1.475e+00
1.146e-01 -12.869
& 2e-16 ***monthQ4
-1.982e+00
1.183e-01 -16.755
& 2e-16 ***day_of_weekmon
-1.210e-01
-1.837 0.066174 .
day_of_weekthu
0.974 0.330066
day_of_weektue
1.048 0.294651
day_of_weekwed
2.176 0.029592 *
& 2e-16 ***campaign
-4.587e-02
-3.960 7.49e-05 ***pdays
-8.822e-04
-4.358 1.31e-05 ***poutcomenonexistent
& 2e-16 ***poutcomesuccess
4.928 8.31e-07 ***emp.var.rate
-1.376e+00
6.885e-02 -19.980
& 2e-16 ***cons.price.idx
1.845e+00
& 2e-16 ***cons.conf.idx
7.464 8.42e-14 ***nr.employed
6.024 1.70e-09 ***---Signif. codes:
0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1(Dispersion parameter for binomial family taken to be 1)
Null deviance: 28999
degrees of freedomResidual deviance: 17203
degrees of freedomAIC: 17279Number of Fisher Scoring iterations: 10模型预测用predict函数，参数type=’response’Newdata参数是要预测的数据集& prob&-predict(model.step,type = 'response')& head(prob)
6 0...... 假设以0.5为临界值& pre&-ifelse(prob&0.5,1,0)& table(pre,bank$y)
1973& 预测的准确率& (34)/(36+956+.911819实际有响应的客户被识别出了多少& +.4232759模型评估& confusionMatrix(bank$y,pre,pos='1')Confusion Matrix and Statistics
ReferencePrediction
Accuracy : 0.9121
95% CI : (0.9)
No Information Rate : 0.929
P-Value [Acc & NIR] : 1
Kappa : 0.476
Mcnemar's Test P-Value : &2e-16
Sensitivity : 0.67453
Specificity : 0.93030
Pos Pred Value : 0.42522
Neg Pred Value : 0.97395
Prevalence : 0.07102
Detection Rate : 0.04790
Detection Prevalence : 0.11265
Balanced Accuracy : 0.80241
'Positive' Class : 1
Kappa 统计量(kappa statistic)用于评判分类器的分类结果与随机分类的差异度用Kappa统计量评价：
较差：小于0.20
一般：0.20至0.40
稳健：0.40至0.60
好的：0.60至0.80很好的：0.80至1.00ROC曲线pred&-prediction(prob,bank$y)perf&-performance(pred,measure = &tpr&,x=&fpr&)plot(perf) RandomForest加载数据列& data=read.table(&input.txt&,header = TRUE)& str(data)'data.frame':
222 obs. of
23 variables: $ Acti_Profile
0 0 0 0 0 0 0 0 0 0 ... $ Activity
1.25 0 0.938 6.562 0 ... $ Diastolic_PTT
256 240 253 0 241 ... $ Diastolic
73.2 78.6 74 0 78.4 ... $ Heart_Rate_Curve
81.2 69.7 77.6 95 83.6 ... $ Heart_Rate_Variability_HF: num
131 250 135 144 141 ... $ Heart_Rate_Variability_LF: num
311 218 203 301 244 ... $ MAP
86 93.5 86.9 0 91.7 ... $ Position
0 0 0 1 0 0 0 0 0 0 ... $ PTT_Raw
308 288 308 0 295 ... $ RR_Interval
734 878 773 632 714 ... $ Sleep_Wake
1 1 1 1 1 0 1 1 0 0 ... $ SpO2
0 0 99 0 98.4 ... $ Sympatho_Vagal_Balance
23 8.17 14.5 20.4 16.88 ... $ Systolic_PTT
308 288 307 0 295 ... $ Systolic
113 124 113 0 119 ... $ Autonomic_arousals
0 0 0 0 0 0 0 0 0 0 ... $ Cardio_complex
0 0 0 1 0 0 0 0 0 0 ... $ Cardio_rhythm
0 0 2 0 0 0 0 0 0 0 ... $ Classification_Arousal
0 0 0 0 0 0 0 0 0 0 ... $ PTT_Events
1 0 2 0 0 0 0 0 0 0 ... $ Systolic_Events
1 0 1 0 0 0 0 0 0 0 ... $ y
1 0 1 0 0 0 0 0 0 0 ...加载随机森林包& library(randomForest)进行训练
以y作为因变量，其余数据作为自变量& rf &- randomForest(y ~ ., data=data, ntree=100, proximity=TRUE,importance=TRUE)& plot(rf) 重要性检测衡量把一个变量的取值变为随机数，随机森林预测准确性的降低程度& importance(rf,type=1)
%IncMSEActi_Profile
0.Activity
0.Diastolic_PTT
0.Diastolic
1.Heart_Rate_Curve
0.Heart_Rate_Variability_HF
2.Heart_Rate_Variability_LF -0.MAP
0.Position
1.RR_Interval
0.Sleep_Wake
0.Sympatho_Vagal_Balance
1.Systolic_PTT
1.Systolic
0.Autonomic_arousals
0.Cardio_complex
1.Cardio_rhythm
1.Classification_Arousal
-0.PTT_Events
4.Systolic_Events
33.输出随机森林的模型& print(rf)Call: randomForest(formula = y ~ ., data = data, ntree = 100, proximity = TRUE,
importance = TRUE)
Type of random forest: regression
Number of trees: 100No. of variables tried at each split: 7
Mean of squared residuals: 0.
残差平方和SSE
% Var explained: 98.7& 总平方和（SST）：（样本数据-样本均值）的平方和回归平方和（SSR）：（预测数据-样本均值）的平方和残差平方和（SSE）：（样本数据-预测数据均值）的平方和SST = SSR + SSE
基尼指数：& importance(rf,type=2)
IncNodePurityActi_Profile
0.Activity
0.Diastolic_PTT
0.Diastolic
0.Heart_Rate_Curve
0.Heart_Rate_Variability_HF
0.Heart_Rate_Variability_LF
0.Position
0.RR_Interval
0.Sleep_Wake
1.Sympatho_Vagal_Balance
0.Systolic_PTT
0.Systolic
0.Autonomic_arousals
0.Cardio_complex
0.Cardio_rhythm
0.Classification_Arousal
0.PTT_Events
7.Systolic_Events
39.& 进行预测prediction &- predict(rf, data[,],type=&response&)输出预测结果table(observed =data$y,predicted=prediction) plot(prediction) 支持向量机library(e1071)svmfit&-svm(y~.,data=data,kernel=&linear&,cost=10,scale=FALSE)& print(svmfit)Call:svm(formula = y ~ ., data = data, kernel = &linear&, cost = 10, scale = FALSE)Parameters:
eps-regression
SVM-Kernel:
0.1 Number of Support Vectors:
20& plot(svmfit,data) 神经网络& concrete&-read_excel(&Concrete_Data.xls&)& str(concrete)Classes ‘tbl_df’, ‘tbl’ and 'data.frame':
1030 obs. of
9 variables: $ Cement
540 540 332 332 199 ... $ Slag
0 0 142 142 132 ... $ Ash
0 0 0 0 0 0 0 0 0 0 ... $ water
162 162 228 228 192 228 228 228 228 228 ... $ superplastic: num
2.5 2.5 0 0 0 0 0 0 0 0 ... $ coarseagg
2 932 978 ... $ fineagg
676 676 594 594 826 ... $ age
28 28 270 365 360 90 365 28 28 28 ... $ strength
80 61.9 40.3 41.1 44.3 ...& normalize &- function(x){ return ((x-min(x))/(max(x)-min(x)))}& concrete_norm &- as.data.frame(lapply(concrete,normalize))& concrete_train &- concrete_norm[1:773,]& concrete_test &- concrete_norm[774:1030,]& library(neuralnet)& concrete_model &- neuralnet(strength ~ Cement+Slag+Ash+water+superplastic+coarseagg+fineagg+age,data=concrete_train)& plot(concrete_model) model_results &- compute(concrete_model,concrete_test[1:8])predicted_strength &- model_results$net.result& cor(predicted_strength,concrete_test$strength)
[,1][1,] 0.& concrete_model2 &- neuralnet(strength ~ Cement+Slag+Ash+water+superplastic+coarseagg+fineagg+age,data=concrete_train,hidden=5)& plot(concrete_model2) 计算误差& model_results2 &- compute(concrete_model2,concrete_test[1:8])& predicted_strength2 &- model_results2$net.result& cor(predicted_strength2,concrete_test$strength)
[,1][1,] 0.& 主成分分析身高、体重、胸围、坐高& test&-data.frame(+
X1=c(148, 139, 160, 149, 159, 142, 153, 150, 151, 139,+
140, 161, 158, 140, 137, 152, 149, 145, 160, 156,+
151, 147, 157, 147, 157, 151, 144, 141, 139, 148),+
X2=c(41, 34, 49, 36, 45, 31, 43, 43, 42, 31,+
29, 47, 49, 33, 31, 35, 47, 35, 47, 44,+
42, 38, 39, 30, 48, 36, 36, 30, 32, 38),+
X3=c(72, 71, 77, 67, 80, 66, 76, 77, 77, 68,+
64, 78, 78, 67, 66, 73, 82, 70, 74, 78,+
73, 73, 68, 65, 80, 74, 68, 67, 68, 70),+
X4=c(78, 76, 86, 79, 86, 76, 83, 79, 80, 74,+
74, 84, 83, 77, 73, 79, 79, 77, 87, 85,+
82, 78, 80, 75, 88, 80, 76, 76, 73, 78)+ )& test.pr&-princomp(test,cor=TRUE)& summary(test.pr,loadings=TRUE)Importance of components:
Comp.4Standard deviation
1. 0. 0. 0.Proportion of Variance 0. 0. 0. 0.Cumulative Proportion
0. 0. 0. 1.Loadings:
Comp.1 Comp.2 Comp.3 Comp.4X1
0.543 -0.450
0.515 -0.210 -0.462 -0.691X3
0.481 -0.725
0.744 -0.232前两个主成分的累计贡献率已经达到96% 可以舍去另外两个主成分 达到降维的目的因此可以得到函数表达式 Z1=-0.497X'1-0.515X'2-0.481X'3-0.507X'4
0.543X'1-0.210X'2-0.725X'3-0.368X'44.画主成分的碎石图并预测 & screeplot(test.pr,type=&lines&)& p&-predict(test.pr)& p
Comp.4 [1,] -0. -0. -0. -0. [2,] -1. -0.
0. -0. [3,]
0. -0. -0. [4,] -0.
0. -0. -0. [5,]
0. [6,] -2.
0. -0. [7,]
0. -0. [8,]
0. -0. -0.
0. -0. -0.
0.[10,] -2. -0.
0.[11,] -2.
0. -0.[12,]
2. -0. -0. -0.[14,] -1.
0. -0.[15,] -2. -0. -0. -0.[16,] -0.
1. -1. -0.
0.[18,] -1. -0.
0. -0.[20,]
0. -0.[22,] -0. -0. -0.
0.[24,] -2.
0. -0.[26,]
0.[27,] -1.
0. -0. -0.[28,] -2.
0.[29,] -2. -0. -0. -0.[30,] -0.
0. -0. -0.& &&加载数据&w&-read.table(&test.prn&,header = T)& w& X.. X...11&& A&&&&22&& B&&&&33&& C&&&&54&& D&&&&5& library(readxl)&dat&-read_excel(&test.xlsx&)& dat# A tibble: 4 x 2& `商品` `价格`&& &chr&&&dbl&1&&&&& A&&&&&22&&&&& B&&&&&33&&&&& C&&&&&54&&&&& D&&&&&5&bank=read.table(&bank-full.csv&,header = TRUE,sep=&,&)查看数据结构& str(bank)'data.frame':& 41188 obs. of&21 variables:&$ age&&&&&&&&&&: int& 56 57 37 40 56 45 59 41 2425 ...&$ job&&&&&&&&&&: Factor w/ 12 levels &admin.&,&blue-collar&,..: 4 88 1 8 8 1 2 10 8 ...&$ marital&&&&&&: Factor w/ 4 levels &divorced&,&married&,..: 2 2 22 2 2 2 2 3 3 ...&$ education&&&&: Factor w/ 8 levels &basic.4y&,&basic.6y&,..: 1 4 42 4 3 6 8 6 4 ...&$ default&&&&&&: Factor w/ 3 levels &no&,&unknown&,..: 1 2 1 1 1 21 2 1 1 ...&$ housing&&&&&&: Factor w/ 3 levels &no&,&unknown&,..: 1 1 3 1 1 11 1 3 3 ...&$ loan&&&&&&&&&: Factor w/ 3 levels &no&,&unknown&,..: 1 1 1 1 3 11 1 1 1 ...&$ contact&&&&&&: Factor w/ 2 levels &cellular&,&telephone&: 2 2 2 22 2 2 2 2 2 ...&$ month&&&&&&&&: Factor w/ 10 levels&apr&,&aug&,&dec&,..: 7 7 7 7 7 7 7 7 7 7 ...&$ day_of_week&&: Factor w/ 5 levels &fri&,&mon&,&thu&,..:2 2 2 2 2 2 2 2 2 2 ...&$ duration&&&&&: int& 261 149 226 151 307 198
50 ...&$ campaign&&&&&: int& 1 1 1 1 1 1 1 1 1 1 ...&$ pdays&&&&&&&&: int& 999 999 999 999 999 999
999 ...&$ previous&&&&&: int& 0 0 0 0 0 0 0 0 0 0 ...&$ poutcome&&&&&: Factor w/ 3 levels &failure&,&nonexistent&,..: 2 22 2 2 2 2 2 2 2 ...&$ emp.var.rate&: num& 1.1 1.1 1.1 1.1 1.1 1.1 1.11.1 1.1 1.1 ...&$ cons.price.idx: num& 94 94 94 94 94 ...&$ cons.conf.idx : num& -36.4 -36.4 -36.4 -36.4 -36.4 -36.4 -36.4-36.4 -36.4 -36.4 ...&$ euribor3m&&&&: num& 4.86 4.86 4.86 4.86 4.86...&$ nr.employed&&: num& 91 ...&$ y&&&&&&&&&&&&: Factor w/ 2 levels &no&,&yes&: 1 1 1 1 1 1 1 1 1 1...查看数据的最小值，最大值，中位数，平均数，分位数& summary(bank)&&&&& age&&&&&&&&&&&&&&&& job&&&&&&&&&&& marital&&&& &Min.&&:17.00&& admin.&&&& :10422&&divorced: 4612& &1st Qu.:32.00&&blue-collar: 9254&& married:24928& &Median :38.00&&technician : 6743&& single& :11568&&Mean&&:40.02&& services&& : 3969&&unknown :&& 80& &3rd Qu.:47.00&&management : 2924&&&&&&&&&&&&&&&&&&&Max.&&:98.00&& retired&&& : 1720&&&&&&&&&&&&&&&&&& &&&&&&&&&&&&&&&& (Other)&&& : 6156&&&&&&&&&&&&&&&&&& &&&&&&&&&&&&&& education&&&&&&& default&&&&&&&& housing&&&& &university.degree& :12168&&no&&&& :32588&& no&&&&:18622& &high.school&&&&&&& : 9515&&unknown: 8597&& unknown:& 990& &basic.9y&&&&&&&&&& : 6045&& yes&&&:&&& 3&& yes&&&:21576& &professional.course: 5243&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& &basic.4y&&&&&&&&&& : 4176&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& &basic.6y&&&&&&&&&& : 2292&&&&&&&&&&&&&&&&&&&&&&&&& &&&&&&&&&(Other)&&&&&&&&&&& : 1749&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& &&&&& loan&&&&&&&&&&& contact&&&&&&&&& month&&&&&& day_of_week&no&&&&:33950&& cellular :26144&& may&&&:13769&& fri:7827&& &unknown:&990&& telephone:15044&& jul&&&: 7174&& mon:8514 &&&yes&&& :6248&&&&&&&&&&&&&&&&&&&& aug&&& : 6178&&thu:8623&& &&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& jun&&& : 5318&&tue:8090&& &&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& nov&&& : 4101&&wed:8134&& &&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& apr&&& : 2632&&&&&&&&&&&&& &&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& (Other):2016&&&&&&&&&&&&& &&& duration&&&&&&&& campaign&&&&&&&&& pdays&&&&& &Min.&&:&& 0.0&& Min.&&: 1.000&& Min.&& :&0.0& &1st Qu.: 102.0&& 1st Qu.: 1.000&& 1st Qu.:999.0& &Median : 180.0&& Median : 2.000&& Median :999.0& &Mean&& :258.3&& Mean&& : 2.568&&Mean&& :962.5& &3rd Qu.: 319.0&& 3rd Qu.: 3.000&& 3rd Qu.:999.0& &Max.&&:4918.0&& Max.&& :56.000&&Max.&& :999.0& &&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& previous&&&&&&&&&&& poutcome&&&&& emp.var.rate&&&& &Min.&&:0.000&& failure&&& : 4252&&Min.&& :-3.40000& &1st Qu.:0.000&&nonexistent:35563&& 1stQu.:-1.80000& &Median :0.000&&success&&& : 1373&& Median : 1.10000& &Mean&&:0.173&&&&&&&&&&&&&&&&&&&&&& Mean &&: 0.08189&&3rd Qu.:0.000&&&&&&&&&&&&&&&&&&&&&& 3rd Qu.: 1.40000& &Max.&&:7.000&&&&&&&&&&&&&&&&&&&&&&Max.&& : 1.40000& &&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&cons.price.idx&cons.conf.idx&&&& euribor3m&&& &Min.&&:92.20&& Min.&& :-50.8&&Min.&& :0.634& &1st Qu.:93.08&&1st Qu.:-42.7&& 1st Qu.:1.344& &Median :93.75&&Median :-41.8&& Median :4.857& &Mean&&:93.58&& Mean&& :-40.5&&Mean&& :3.621& &3rd Qu.:93.99&&3rd Qu.:-36.4&& 3rd Qu.:4.961& &Max.&&:94.77&& Max.&& :-26.9&&Max.&& :5.045& &&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& nr.employed&&&& y&&&&&&&&Min.&&:4964&& no :36548& &1st Qu.:5099&&yes: 4640& &Median :5191&&&&&&&&&&&&& &Mean&&:5167&&&&&&&&&&&&& &3rd Qu.:5228&&&&&&&&&&&&& &Max.&&:5228&&&&&&&&&&&&& &&&&&&&&&&&&&&&&&&&&&&&&&& & psych::describe(bank)&&&&&&&&&&&&&& 方差& 个数&&& 平均值& 标准差& 均值&&& 去掉最大&& 中位数&& 最小值& 最大值& 极差&&& 偏差&&&&&&& 峰度&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& &&&&& 绝对偏差&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& &&& 最小值&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& &&& 之后&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& &&& 的平均数&&&&&&&&&&&&&&& vars&&&& n&&&mean&&&& sd& median trimmed&& mad&&&& min&&&&max&& range& skew&& &kurtosisage&&&&&&&&&&&&&& 1 41188&& 40.02&10.42&& 38.00&& 39.30&10.38&& 17.00&& 98.00&&81.00& 0.78&&&& 0.79job*&&&&&&&&&&&&& 2 41188&&& 4.72&&3.59&&& 3.00&&& 4.48&&2.97&&& 1.00&& 12.00&&11.00& 0.45&&& -1.39marital*&&&&&&&&& 3 41188&&& 2.17&&0.61&&& 2.00&&& 2.21&&0.00&&& 1.00&&& 4.00&&&3.00 -0.06&&& -0.34education*&&&&&&& 4 41188&&& 4.75&&2.14&&& 4.00&&& 4.88&&2.97&&& 1.00&&& 8.00&&&7.00 -0.24&&& -1.21default*&&&&&&&&& 5 41188&&& 1.21&&0.41&&& 1.00& &&1.14&& 0.00&&&1.00&&& 3.00&&& 2.00&1.44&&&& 0.07housing*&&&&&&&&& 6 41188&&& 2.07&&0.99&&& 3.00&&& 2.09&&0.00&&& 1.00&&& 3.00&&&2.00 -0.14&&& -1.95loan*&&&&&&&&&&&& 7 41188&&& 1.33&&0.72&&& 1.00&&& 1.16&&0.00&&& 1.00&&& 3.00&&&2.00& 1.82&&&& 1.38contact*&&&&&&&&& 8 41188&&& 1.37&&0.48&&& 1.00&&& 1.33&&0.00&&& 1.00&&& 2.00&&&1.00& 0.56&&& -1.69month*&&&&&&&&&&& 9 41188&&& 5.23&&2.32&&& 5.00&&& 5.31&&2.97&&& 1.00&& 10.00&&&9.00 -0.31&&& -1.03day_of_week*&&&& 10 41188&&&3.00&& 1.40&&& 3.00&&&3.01&& 1.48&&& 1.00&&&5.00&&& 4.00& 0.01&&&-1.27duration&&&&&&&& 11 4 259.28&180.00& 210.61 139.36&&& 0.00 8.00& 3.26&&&20.24campaign&&&&&&&& 12 41188&&& 2.57&&2.77&&& 2.00&&& 1.99&&1.48&&& 1.00&& 56.00&&55.00& 4.76&&& 36.97pdays&&&&&&&&&&& 13 4 186.91&999.00& 999.00&& 0.00&&&0.00& 999.00& 999.00 -4.92&&& 22.23previous&&&&&&&& 14 41188&&& 0.17&&0.49&&& 0.00&&& 0.05&&0.00&&& 0.00&&& 7.00&&&7.00& 3.83&&& 20.11poutcome*&&&&&&& 15 41188&&& 1.93&&0.36&&& 2.00&&& 2.00&&0.00&&& 1.00&&& 3.00&&&2.00 -0.88&&&& 3.98emp.var.rate&&&& 16 41188&&&0.08&& 1.57&&& 1.10&&&0.27&& 0.44&& -3.40&&&1.40&&& 4.80 -0.72&&& -1.06cons.price.idx&& 17 4&& 0.58&& 93.75&&93.58&& 0.56&& 92.20&&94.77&&& 2.57 -0.23 &&&-0.83cons.conf.idx&&& 18 4&& 4.63& -41.80&-40.60&& 6.52& -50.80&-26.90&& 23.90& 0.30&&&-0.36euribor3m&&&&&&& 19 41188&&& 3.62&&1.73&&& 4.86&&& 3.81&&0.16&&& 0.63&&& 5.04&&&4.41 -0.71&&& -1.41nr.employed&&&&& 20 .04& 72.25 8.43& 55.00 8.10& 264.50 -1.04&&&& 0.00y*&&&&&&&&&&&&&& 21 41188&&& 1.11&&0.32&&& 1.00&&& 1.02&&0.00&&& 1.00&&& 2.00&&&1.00& 2.45&&&& 4.00&&&&&&&&&&&&&&& seage&&&&&&&&&&& 0.05job*&&&&&&&&&& 0.02marital*&&&&&& 0.00education*& &&&0.01default*&&&&&& 0.00housing*&&&&&& 0.00loan*&&&&&&&&& 0.00contact*&&&&&& 0.00month*&&&&&&&& 0.01day_of_week*&& 0.01duration&&&&&& 1.28campaign&&&&&& 0.01pdays&&&&&&&&& 0.92previous&&&&&& 0.00poutcome*&&&&& 0.00emp.var.rate&& 0.01cons.price.idx 0.00cons.conf.idx& 0.02euribor3m&&&&& 0.01nr.employed&&& 0.36y*&&&&&&&&&&&& 0.00&查看数据是否有缺失值& sapply(bank,anyNA)&&&&&&&&&& age&&&&&&&&&&& job&&&&&&& marital&&&&& education &&&&&&&& FALSE&&&&&&&&& FALSE&&&&&&&&& FALSE&&&&&&&&& FALSE &&&&&& default&&&&&&& housing&&&&&&&&&& loan&&&&&&& contact &&&&&&&& FALSE&&&&&&&&& FALSE&&&&&&&&& FALSE&&&&&&&&& FALSE &&&&&&&& month&&& day_of_week&&&&&& duration&&&&&& campaign &&&&&&&& FALSE&&&&&&&&& FALSE&&&&&&&&& FALSE&&&&&&&&& FALSE &&&&&&&& pdays&&&& &&previous&&&&&&poutcome&& emp.var.rate &&&&&&&& FALSE&&&&&&&&& FALSE&&&&&&&&& FALSE&&&&&&&&& FALSE cons.price.idx& cons.conf.idx&&&&& euribor3m&&& nr.employed &&&&&&&& FALSE&&&&&&&&& FALSE&&&&&&&&& FALSE&&&&&&&&& FALSE &&&&&&&&&&&& y &&&&&&&& FALSE &成功与不成功的个数& table(bank$y)&&& no&&yes 3 &在是否结婚这个属性的取值与是否成功的数量比较& table(bank$y,bank$marital)&&&& &&&&& divorced married single unknown& no&&&&&4136&& 22396&& 9948&&&&&68& yes&&&&&476&&& 2532&& 1620&&&&&12&& xtabs(~y+marital,data=bank)&&&& maritaly&&&& divorced married single unknown& no&&&&&4136&& 22396&& 9948&&&&&68& yes&&&&&476&&& 2532&& 1620&&&&&12&tab=table(bank$y,bank$marital)& tab&&&& &&&&& divorced married single unknown& no&&&&&4136&& 22396&& 9948&&&&&68&&yes&&&&&476&&& 2532&& 1620&&&&&12&在是否结婚这个属性上的取值& margin.table(tab,2)&divorced& married&&single& unknown &&& 4612&&&24928&&& 11568&&&&&& 80 & margin.table(tab,1)&&& no&&yes 3 &在是否结婚这个属性上横向看概率& prop.table(tab,1)&&&& &&&&&&&& divorced&&&& married&&&&& single&&&&unknown& no&0....& yes 0....在是否结婚这个属性上纵向看概率&& prop.table(tab,2)&&&& &&&&&& divorced&& married&&&single&& unknown& no&0....8500000& yes 0....1500000&&平的列联表以第一列和第二列，展开分类group by 1,2以col.vars 的取值进行次数统计&ftable(bank[,c(3,4,21)],row.vars = 1:2,col.vars = &y&)&&&&&&&&&&&&&&&&&&&&&&&&&&&& y&& no&yesmarital& education&&&&&&&&&&&&&&&&&&&&& divorced basic.4y&&&&&&&&&&&&&& 406&& 83&&&&&&&& basic.6y&&&&&&&&&&&&&& 169&& 13&&&&&&&& basic.9y&&&&&&&&&&&&&& 534&& 31&&&&&&&& high.school&&&&&&&&&& &&&&&&&& illiterate&&&&&&&&&&&&&& 1&&& 1&&&&&&&& professional.course&&& 596&&61&&&&&&&& university.degree&&&& &&&&&&&& unknown&&&&&&&&&&&&&&& 167&& 20married& basic.4y&&&&&&&&&&&&& &&&&&&&& basic.6y&&&&&&&&&&&&& &&&&&&&& basic.9y&&&&&&&&&&&&& &&&&&&&& high.school&&&&&&&&&& &&&&&&&& illiterate&&&&&&&&&&&&& 12&&& 3&&&&&&&& professional.course&& &&&&&&&& university.degree&&&& &&&&&&&& unknown&&&&&&&&&&&&&&& 928& 126single&& basic.4y&&&&&&&&&&&&&& 422&& 31&&&&&&&& basic.6y&&&&&&&&&&&&&& 301&& 36&&&&&&&& basic.9y&&&&&&&&&&&&& &&&&&&&& high.school&&&&&&&&&& &&&&&&&& illiterate&&&&&&&&&&&&&& 1&&& 0&&&&&&&& professional.course&& &&&&&&&& university.degree&&&& &&&&&&&& unknown&&&&&&&&&&&&&&& 378& 103unknown& basic.4y&&&&&&&&&&&&&&&& 5&&& 1&&&&&&&& basic.6y&&&&&&&&&&&&&&&& 6&&& 0&&&&&&&& basic.9y&&&&&&&&&&&&&&&& 6&&& 2&&&&&&&& high.school&&&&&&&&&&&& 13&&& 1&&&&&&&& illiterate&&&&&&&&&&&&&& 0&&& 0&&&&&&&& professional.course&&&&& 6&&&0&&&&&&&& university.degree&&&&&& 25&&&6&&&&&&&& unknown&&&&&&&&&&&&&&&&& 7&&& 2&卡方检验，在p值小于2.2e-16时，拒绝原假设，认为数据不服从卡方分布& chisq.test(tab)&&&&&&&& Pearson's Chi-squared test&data:& tabX-squared = 122.66, df = 3,p-value & 2.2e-16&画直方图& hist(bank$age)& library(lattice)&画连续变量的分布，就是把直方图的中位数连接起来以年龄为横轴，y为纵轴，数据是bank,画图，auto.key是否有图例& densityplot(~age,groups =y,data=bank,plot.point=FALSE,auto.key = TRUE)&画Box图& boxplot(age~y,data=bank)&双样本t分布检验，p值小于0.05时拒绝原假设这里的原假设是两个样本没有相关性得到的结果是p值为1.805e-06,拒绝两个样本没有相关性的假设这里认为两个样本有相关性&t.test(age~y,data=bank,alternative=&two.sided&,var.equal=FALSE)&&&&&&&& Welch Two Sample t-test&data:& age by yt = -4.7795, df = 5258.5,p-value = 1.805e-06alternative hypothesis: truedifference in means is not equal to 095 percent confidence interval:&-1..5909889sample estimates:&mean in group no mean in group yes &&&&&&&& 39.91119&&&&&&&&& 40.91315 &&数据可视化画饼图& tab=table(bank$marital)& pie(tab)&画直方图& tab=table(bank$marital)& barplot(tab)&画下面这个图& tab=table(bank$marital,bank$y)& plot(tab)&&画层叠直方图&tab=table(bank$marital,bank$y)&lattice::barchart(tab,auto.key=TRUE)&&加载这个包，准备画图& library(dplyr)&data=group_by(bank,marital,y)& data=tally(data)！！！！！！！！！！！！！& ggplot2::ggplot(data=data,mapping=aes(marital,n))+geom_bar(mapping=aes(fill=y),position=&dodge&,stat=&identity&)&&&数据预处理分组之后再画图& labels=c('青年','中年','老年')& bank$age_group=cut(bank$age,breaks = c(0,35,55,100),right = FALSE,labels = labels)& library(ggplot2)& ggplot(data=bank,mapping = aes(age_group))+geom_bar(mapping = aes(fill=y),position=&dodge&,stat=&count&)&&&&&&衍生变量直接使用$符向原数据框添加新的变量& bank$log.cons.price.idx=log(bank$cons.price.idx)使用transform函数向原数据框添加变量& bank&-transform(bank,log.cons.price.idx=log(cons.price.idx),log.nr.employed=log(nr.employed))使用dplyr包里的mutate函数增加变量& bank&-dplyr::mutate(bank,log.cons.price.idx=log(cons.price.idx))使用dplyr包里的transmute函数只保留新生成的变量& bank2&-dplyr::transmute(bank,log.cons.price.idx=log(cons.price.idx),log.nr.employed=log(nr.employed))&中心化&& v=1:10& v1=v-mean(v)& v2=scale(v,center=TRUE,scale = FALSE)&无量纲化&& V1=v/sqrt(sum(v^2)/(length(v)-1))& v2=scale(v,center=FALSE,scale=TRUE)&根据最大最小值进行归一化&& v3=(v-min(v))/(max(v)-min(v))&&进行标准正态化&&& v1=(v-mean(v))/sd(v)& v2=scale(v,center = TRUE,scale=TRUE)&&&&Box-Cox变换使用car包里的boxCox函数& install.packages(&car&)& library(car)& boxCox(age~.,data=bank)&&&&&&使用caret包，做Box-Cox变换& install.packages(&caret&)& library(caret)& dat&-subset(bank,select=&age&)& trans&-preProcess(dat,method=C(&BoxCox&))&&数据预处理下违反常识的异常值基于数据分布的异常值(离群点)识别bank.dirty=read.csv(&bank-dirty.csv&)summary(bank.dirty)&&&&& age&&&&&&&&&&&&&&&&& job&&&&&&&&&&& marital&&&&&&&&&&&&&&&&&&& education&&& &Min.&& : 17.00&& admin.&&&& :10422&& divorced: 4612&& university.degree& :12165& &1st Qu.: 32.00&& blue-collar: 9254&& married :24928&& high.school&&&&&&& : 9515& &Median : 38.00&& technician : 6743&& single& :11568&& basic.9y&&&&&&&&&& : 6043& &Mean&& : 40.03&& services&& : 3969&& NA's&&& :&& 80&& professional.course: 5242& &3rd Qu.: 47.00&& management : 2924&&&&&&&&&&&&&&&&&&& basic.4y&&&&&&&&&& : 4175& &Max.&& :123.00 &&(Other)&&& : 7546&&&&&&&&&&&&&&&&&&& (Other)&&&&&&&&&&& : 2310& &NA's&& :2&&&&&&& NA's&&&&&& :& 330&&&&&&&&&&&&&&&&&&& NA's&&&&&&&&&&&&&& : 1738& &default&&&&& housing&&&&&&& loan&&&&&&&&&&& contact&&&&&&&&& month&&&&& &no& :32588&& no& :18622&& no& :33950&& cellular :26144&& may&&& :13769& &yes :&&& 3&& yes :21576&& yes : 6248&& telephone:15044&& jul&&& : 7174& &NA's: 8597&& NA's:& 990&& NA's:& 990&&&&&&&&&&&&&&&&&&&& aug&&& : 6178& &&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&jun&&& : 5318& &&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&nov&&& : 4101& &&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&apr&&& : 2632& &&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&(Other): 2016& &day_of_week&&& duration& &&&&&&&campaign&&&&&&&&& pdays&&&&&&&&& previous&&& &fri:7827&&& Min.&& :&& 0.0&& Min.&& : 1.000&& Min.&& :& 0.0&& Min.&& :0.000& &mon:8514&&& 1st Qu.: 102.0&& 1st Qu.: 1.000&& 1st Qu.:999.0&& 1st Qu.:0.000& &thu:8623&&& Median : 180.0&& Median : 2.000 &&Median :999.0&& Median :0.000& &tue:8090&&& Mean&& : 258.3&& Mean&& : 2.568&& Mean&& :962.5&& Mean&& :0.173& &wed:8134&&& 3rd Qu.: 319.0&& 3rd Qu.: 3.000&& 3rd Qu.:999.0&& 3rd Qu.:0.000& &&&&&&&&&&&&&Max.&& :4918.0&& Max.&& :56.000&& Max.&& :999.0&& Max.&& :7.000& &&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&poutcome&&&&& emp.var.rate&&&&& cons.price.idx& cons.conf.idx& &failure&&& : 4252&& Min.&& :-3.40000&& Min.&& :92.20&& Min.&& :-50.8& &nonexistent:35563&& 1st Qu.:-1.80000&& 1st Qu.:93.08&& 1st Qu.:-42.7& &success&&& : 1373&& Median : 1.10000&& Median :93.75&& Median :-41.8& &&&&&&&&&&&&&&&&&&&&&Mean&& : 0.08189&& Mean&& :93.58&& Mean&& :-40.5& &&&&&&&&&&&&&&&&&&&&&3rd Qu.: 1.40000&& 3rd Qu.:93.99&& 3rd Qu.:-36.4& &&&&&&&&&&&&&&&&&&&&&Max.&& : 1.40000&& Max.&& :94.77&& Max.&& :-26.9& &&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&euribor3m&&&&& nr.employed&&&& y&&&& &&&&Min.&& :0.634&& Min.&& :4964&& no :36548& &1st Qu.:1.344&& 1st Qu.:5099&& yes: 4640& &Median :4.857&& Median :5191&&&&&&&&&&&&& &Mean&& :3.621&& Mean&& :5167&&&&&&&&&&&&& &3rd Qu.:4.961&& 3rd Qu.:5228&&&&&&&&&&&&& &Max.&& :5.045&& Max.&& :5228&& &&&&&&&&&&&&&常识告诉我们，虽然123岁的老人存在，但概率也极低，也不太可能是银行的客户找出在年龄这一列的上离群值和下离群值&&
head(bank.dirty[order(bank.dirty$age,decreasing = TRUE),'age',drop=FALSE],n=5)&&&&& age38453& 9838456& 9827827& 9538922& 94& tail(bank.dirty[order(bank.dirty$age,decreasing
= TRUE),'age',drop=FALSE],n=5)&&&&& age37559& 1737580& 1738275& 17120&&& NA156&&& NA&异常值的处理当作缺失值处理& bank.dirty$age[which(bank.dirty$age&98)]&-NA删除或者插补&&重编码职业类型有12个分类，不利于后续分析，把除了unknown以外的分类进行重新编码，简化成4类Month有12个分类，把它转化成季度Education的分类，除了unknow之外有7类&进行重编码levels(bank.dirty$job) &- c( &management&,&services&,&entrepreneur&,&entrepreneur&,&&&&&&&&&&&&&&&&&&&&&&&&management&,&unemployed&,& &entrepreneur&,&services&,&&&&&&&&&&&&&&&&&&&&&&&&unemployed&,&services&,&unemployed&,&unknown& )& levels(bank.dirty$month) &- c(&Q2&,&Q3&,&Q4&,&Q3&,&Q2&,&&&&&&&&&&&&&&&&&&&&&&&&&Q1&,&Q2&,&Q4&,&Q4&,&Q3&)& & levels(bank.dirty$education) &- c( &primary&,&primary&,&primary&,&secondary&,&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&primary&,&tertiary&,&tertiary&,&unknown&)&&缺失值分类较多，分类是unknown,不能给我们提供信息有些模型不能处理缺失值，比如Logistic回归缺失值插补的方法1、&
用中位数或众数插补& library(imputeMissings)& bank.clean&-impute(bank.dirty,object = compute(bank.dirty,method = &median/mode&))2、&
最邻近(knn)插补library(DMwR)bank.clean=knnImputation(bank.dirty,k=5)&3、& 随机森林插补library(missForest)&Imp = missForest(bank.dirty)&bank.clean =
Imp$ximp&缺失值插补的R包1、& imputeMissings包2、& DMwR包&&&&&&用Logistic回归建立客户响应模型1、广义线性模型广义线性模型擅长于处理因变量不是连续变量的问题1)& Y是分类变量2)& Y是定序变量3)& Y是离散取值2、当Y取值是0-1二分类变量是，就是Logistic回归&Logistic回归在R中的实现数据重编码bank$y=ifelse(bank$y=='yes',1,0)改成以Q1为参考因子bank$month&-relevel(bank$month,ref=&Q1&)构建Logistic回归模型& model&-glm(y~.,data=bank,family = 'binomial')& summary(model)&Call:glm(formula = y ~ ., family = &binomial&, data = bank)&Deviance Residuals: &&&&Min&&&&&& 1Q&& Median&&&&&& 3Q&&&&& Max& -5.9958& -0.3082& -0.1887& -0.1333&& 3.4283& &Coefficients: (1 not defined because of singularities)&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& Estimate Std. Error z value Pr(&|z|)&&& (Intercept)&&&&&&&&&&&&&&&&& -1.957e+02& 1.935e+01 -10.116& & 2e-16 ***age&&&&&&&&&&&&&&&&&&&&&&&&&& 1.851e-03& 2.415e-03&& 0.767 0.443289&&& jobblue-collar&&&&&&&&&&&&&& -2.659e-01& 7.942e-02& -3.348 0.000814 ***jobentrepreneur&&&&&&&&&&&&& -2.029e-01& 1.248e-01& -1.626 0.103924&&& jobhousemaid&&&&&&&&&&&&&&&& -3.628e-02& 1.475e-01& -0.246 0.805705&&& jobmanagement&&&&&&&&&&&&&&& -8.054e-02& 8.501e-02& -0.947 0.343423&&& jobretired&&&&&&&&&&&&&&&&&&& 2.928e-01& 1.067e-01&& 2.743 0.006092 ** jobself-employed&&&&&&&&&&&& -1.680e-01& 1.176e-01& -1.428 0.153332&&& jobservices&&&&&&&&&&&&&&&&& -1.497e-01& 8.552e-02& -1.751 0.079969 .& jobstudent&&&&&&&&&&&&&&&&&&& 2.674e-01& 1.106e-01&& 2.416 0.015680 *& jobtechnician&&&&&&&&& &&&&&&&3.462e-03& 7.096e-02&& 0.049 0.961086&&& jobunemployed&&&&&&&&&&&&&&&& 8.514e-03& 1.273e-01&& 0.067 0.946686&&& jobunknown&&&&&&&&&&&&&&&&&& -8.046e-02& 2.390e-01& -0.337 0.736420&&& maritalmarried&&&&&&&&&&&&&&& 1.567e-02& 6.824e-02&& 0.230 0.818420&&& maritalsingle&&&&&&&&&&&&&&&& 6.620e-02& 7.791e-02&& 0.850 0.395473&&& maritalunknown&&&&&&&&&&&&&&& 6.303e-02& 4.113e-01&& 0.153 0.878211&&& educationbasic.6y&&&&&&&&&&&& 9.647e-02& 1.202e-01&& 0.803 0.422195&&& educationbasic.9y&&&&&&&&&&& -2.154e-02& 9.494e-02& -0.227 0.820557&&& educationhigh.school&&&&&&&&& 3.381e-02& 9.188e-02&& 0.368 0.712895&&& educationilliterate&&&&&&&&&& 1.132e+00& 7.395e-01&& 1.531 0.125887&&& educationprofessional.course& 1.136e-01& 1.013e-01&& 1.121 0.262175&&& educationuniversity.degree&&& 2.134e-01& 9.188e-02&& 2.322 0.020211 *& educationunknown&&&&&&&&&&&&& 1.361e-01& 1.196e-01&& 1.138 0.255314&&& defaultunknown&&&&&&&&&&&&&& -3.055e-01& 6.712e-02& -4.552 5.32e-06 ***defaultyes&&&&&&&&&&&&&&&&&& -7.150e+00& 1.135e+02& -0.063 0.949784&&& housingunknown&&&&&&&&&&&&&& -7.385e-02& 1.390e-01& -0.531 0.595260&&& housingyes&&&&&&&&&&&&&&&&&& -3.740e-03& 4.121e-02& -0.091 0.927695&&& loanunknown&&&&&&&&&&&&&&&&&&&&&&&&& NA&&&&&&&& NA&&&&& NA&&&&&& NA&&& loanyes&&&&&&&&&&&&&&&&&&&&& -6.362e-02& 5.725e-02& -1.111 0.266454&&& contacttelephone&&&&&&&&&&&& -6.068e-01& 7.124e-02& -8.518& & 2e-16 ***monthQ2&&&&&&&&&&&&&&&&&&&&& -2.192e+00& 1.125e-01 -19.479& & 2e-16 ***monthQ3&&&&&&&&&&&&&&&&&&&&& -1.463e+00& 1.148e-01 -12.747& & 2e-16 ***monthQ4&&&&&&&&&&&&&&&&&&&&& -1.995e+00& 1.240e-01 -16.088& & 2e-16 ***day_of_weekmon&&&&&&&&&&&&&& -1.216e-01& 6.588e-02& -1.846 0.064887 .& day_of_weekthu&&&&&&&&&&&&&&& 6.375e-02& 6.382e-02&& 0.999 0.317842&&& day_of_weektue &&&&&&&&&&&&&&&6.867e-02& 6.545e-02&& 1.049 0.294118&&& day_of_weekwed&&&&&&&&&&&&&&& 1.436e-01& 6.530e-02&& 2.199 0.027911 *& duration&&&&&&&&&&&&&&&&&&&&& 4.667e-03& 7.397e-05& 63.092& & 2e-16 ***campaign&&&&&&&&&&&&&&&&&&&& -4.543e-02& 1.158e-02& -3.922 8.77e-05 ***pdays&&&&&&&&&&&&&&&&&&&&&&& -9.627e-04& 2.162e-04& -4.452 8.50e-06 ***previous&&&&&&&&&&&&&&&&&&&& -5.806e-02& 5.879e-02& -0.988 0.323369&&& poutcomenonexistent&&&&&&&&&& 4.507e-01& 9.372e-02&& 4.809 1.51e-06 ***poutcomesuccess&&&&&&& &&&&&&&9.371e-01& 2.106e-01&& 4.451 8.56e-06 ***emp.var.rate&&&&&&&&&&&&&&&& -1.389e+00& 7.693e-02 -18.057& & 2e-16 ***cons.price.idx&&&&&&&&&&&&&&& 1.815e+00& 1.193e-01& 15.218& & 2e-16 ***cons.conf.idx&&&&&&&&&&&&&&&& 3.353e-02& 6.664e-03&& 5.033 4.84e-07 ***euribor3m&&&&&&&&&&&&&&&&&&&& 6.054e-02& 1.126e-01&& 0.537 0.590987&&& nr.employed&&&&&&&&&&&&&&&&&& 4.937e-03& 1.873e-03&& 2.635 0.008413 ** ---Signif. codes:& 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1&(Dispersion parameter for binomial family taken to be 1)&&&& Null deviance: 28999& on 41187& degrees of freedomResidual deviance: 17199& on 41141& degrees of freedomAIC: 17293&Number of Fisher Scoring iterations: 10&&& exp(coef(model))&&&&&&&&&&&&&&&& (Intercept)&&&&&&&&&&&&&&&&&&&&&&&&& age&&&&&&&&&&&&&& jobblue-collar &&&&&&&&&&&&&&&&9.&&&&&&&&&&&&&&&& 1.001853e+00&&&&&&&&&&&&&&&& 7. &&&&&&&&&&&&&jobentrepreneur&&&&&&&&&&&&&&&& jobhousemaid&&&&&&&&&&&&&&& jobmanagement &&&&&&&&&&&&&&&&8.&&&&&&&&&&&&&&&& 9.&&&&&&&&&&&&&&&& 9. &&&&&&&&&&&&&&&&&&jobretired&&&&&&&&&&&& jobself-employed&&&&&&&&&&&&&&&&& jobservices &&&&&&&&&&&&&&&&1.340142e+00&&&&&&&&&&&&&&&& 8.&&&&&&&&&&&&&& &&8. &&&&&&&&&&&&&&&&&&jobstudent&&&&&&&&&&&&&&& jobtechnician&&&&&&&&&&&&&&& jobunemployed &&&&&&&&&&&&&&&&1.306514e+00&&&&&&&&&&&&&&&& 1.003468e+00&&&&&&&&&&&&&&&& 1.008550e+00 &&&&&&&&&&&&&&&&&&jobunknown&&&&&&&&&&&&&& maritalmarried&&&&&&&&&&&&&&& maritalsingle &&&&&&&&&&&&&&&&9.&&&&&&&&&&&&&&&& 1.015789e+00&&&&&&&&&&&&&&&& 1.068445e+00 &&&&&&&&&&&&&&maritalunknown&&&&&&&&&&& educationbasic.6y&&&&&&&&&&& educationbasic.9y &&&&&&&&&&&&&&&&1.065061e+00&&&&&&&&&&&&&&&& 1.101276e+00&&&&&&&&&&&&&&&& 9. &&&&&&&&educationhigh.school&&&&&&&&& educationilliterate educationprofessional.course &&&&&&&&&&&&&&&&1.034388e+00&&&&&&&&&&&&&&&& 3.101297e+00&&&&&&&&&&&&&&&& 1.120248e+00 &&educationuniversity.degree&&&&&&&&&&&& educationunknown&&&&&&&&&&&&&& defaultunknown &&&&&&&&&&&&&&&&1.237856e+00&&&&&&&&&&&&&&&& 1.145744e+00&&&&&&&&&&&&&&&& 7. &&&&&&&&&&&&&&&&&&defaultyes&&&&&&&&&&&&&& housingunknown&&&&&&&&&&&&&&&&&& housingyes &&&&&&&&&&&&&&&&7.&&&& &&&&&&&&&&&&9.&&&&&&&&&&&&&&&& 9. &&&&&&&&&&&&&&&&&loanunknown&&&&&&&&&&&&&&&&&&&&& loanyes&&&&&&&&&&&& contacttelephone &&&&&&&&&&&&&&&&&&&&&&&&&&NA&&&&&&&&&&&&&&&& 9.&&&&&&&&&&&&&&&& 5. &&&&&&&&&&&&&&&&&&&&&monthQ2&&&&&&&&&&&&&&&&&&&&& monthQ3&&&&&&&&&&&&&&&&&&&&& monthQ4 &&&&&&&&&&&&&&&&1.&&&&&&&&&&&&&&&& 2.&&&&&&&&&&&&&&&& 1. &&&&&&&&&&&&&&day_of_weekmon&&&&&&&&&&&&&& day_of_weekthu&&&&&&&&&&&&&& day_of_weektue &&&&&&&&&&&&&&&&8.&&&&&&&&&&&&&&&& 1.065828e+00&&&&&&&&&&&&&&&& 1.071082e+00 &&&&&&&&&&&&&&day_of_weekwed&&&&&&&&&&&&&&&&&&&& duration&&&&&&&&&&&&&&&&&&&& campaign &&&&&&&&&&&&&&&&1.154380e+00&&&&&&&&&&&&&&&& 1.004678e+00&&&&&&&&&&&&&&&& 9. &&&&&&&&&&&&&&&&&&&&&&&pdays&&&&&&&&&&&&&&&&&&&& previous&&&&&&&&& poutcomenonexistent &&&&&&&&&&&&&&&&9.&&&&&&&&&&&&&&&& 9.&&&&&&&&&&&&&&&& 1.569466e+00 &&&&&&&&&&&&&poutcomesuccess&&&&&&&&&&&&&&&& emp.var.rate&&&&&&&&&&&&&& cons.price.idx &&&&&&&&&&&&&&&&2.552531e+00&&&&&&&&&&&&&&&& 2.&&&&&&&&&&&&&&&& 6.140533e+00 &&&&&&&&&&&&&&&cons.conf.idx&&&&&&&&&&&&&&&&&&& euribor3m&&&&&&&&&&&&&&&&& nr.employed &&&&&&&&&&&&&&&&1.034103e+00&&&&&&&&&&&&&&&& 1.062408e+00&&&&&&&&&&&&&&&& 1.004949e+00 &&Job变量的基准水平是management,从上面的结果看，服务业和自主劳动者购买银行产品的几率(odds)是管理岗从业人员的0.88倍，未就业人员购买银行产品的几率是管理岗人员的1.25倍&&& summary(model.step)向前逐步回归& model.step=step(model,direction = &backward&)向后逐步回归& model.step = step(model, direction = &forward&)双向逐步回归& model.step = step(model, direction = &both&)&
summary(model.step)&Call:glm(formula = y ~ job + education + default + contact + month +&&& day_of_week + duration + campaign + pdays + poutcome + emp.var.rate +&&& cons.price.idx +
cons.conf.idx + nr.employed, family = &binomial&,&&& data = bank)&Deviance Residuals:&&& Min&&&&&& 1Q&& Median&&&&&& 3Q&&&&& Max&-5.9884& -0.3088& -0.1887& -0.1332&& 3.4026&&Coefficients:&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
Estimate Std. Error z value Pr(&|z|)&&&(Intercept)&&&&&&&&&&&&&&&&& -2.031e+02& 1.426e+01 -14.246& & 2e-16 ***jobblue-collar&&&&&&&&&&&&&& -2.700e-01& 7.917e-02& -3.411 0.000648 ***jobentrepreneur&&&&&&&&&&&&& -2.043e-01& 1.242e-01& -1.645
0.100003&&&jobhousemaid&&&&&&&&&&&&&&&& -2.832e-02& 1.464e-01& -0.193 0.846590&&&jobmanagement&&&&&&&&&&&&&&& -8.368e-02& 8.409e-02& -0.995 0.319670&&&jobretired&&&&&&&&&&&&&&&&&&& 3.234e-01& 9.130e-02&& 3.542 0.000397 ***jobself-employed&&&&&&&&&&&&
-1.670e-01& 1.176e-01& -1.421 0.155435&&&jobservices&&&&&&&&&&&&&&&&& -1.528e-01& 8.545e-02& -1.789 0.073666 .&jobstudent&&&&&&&&&&&&&&&&&&& 2.682e-01& 1.046e-01&& 2.565 0.010316 *&jobtechnician&&&&&&&&&&&&&&&& 4.389e-03& 7.093e-02&& 0.062
0.950665&&&jobunemployed&&&&&&&&&&&&&&&& 8.975e-03& 1.271e-01&& 0.071 0.943715&&&jobunknown&&&&&&&&&&&&&&&&&& -6.363e-02& 2.378e-01& -0.268 0.789057&&&educationbasic.6y&&&&&&&&&&&& 8.993e-02& 1.196e-01&& 0.752 0.452024&&&educationbasic.9y&&&&&&&&&&&
-2.716e-02& 9.416e-02& -0.288 0.772992&&&educationhigh.school&&&&&&&&& 2.890e-02& 9.053e-02&& 0.319 0.749573&&&educationilliterate&&&&&&&&&& 1.118e+00& 7.398e-01&& 1.511 0.130744&&&educationprofessional.course& 1.084e-01& 1.004e-01&& 1.079
0.280686&&&educationuniversity.degree&&& 2.103e-01& 9.017e-02&& 2.332 0.019678 *&educationunknown&&&&&&&&&&&&& 1.363e-01& 1.195e-01&& 1.140 0.254110&&&defaultunknown&&&&&&&&&&&&&& -3.017e-01& 6.666e-02& -4.526 6.02e-06 ***defaultyes&&&&&&&&&&&&&&&&&&
-7.141e+00& 1.135e+02& -0.063 0.949831&&&contacttelephone&&&&&&&&&&&& -6.011e-01& 7.069e-02& -8.504& & 2e-16 ***monthQ2&&&&&&&&&&&&&&&&&&&&& -2.210e+00& 1.108e-01 -19.939& & 2e-16 ***monthQ3&&&&&&&&&&&&&&&&&&&&& -1.475e+00& 1.146e-01 -12.869&
& 2e-16 ***monthQ4&&&&&&&&&&&&&&&&&&&&& -1.982e+00& 1.183e-01 -16.755& & 2e-16 ***day_of_weekmon&&&&&&&&&&&&&& -1.210e-01& 6.584e-02& -1.837 0.066174 .&day_of_weekthu&&&&&&&&&&&&&&& 6.208e-02& 6.374e-02&& 0.974 0.330066&&&day_of_weektue&&&&&&&&&&&&&&&
6.851e-02& 6.538e-02&& 1.048 0.294651& &&day_of_weekwed&&&&&&&&&&&&&&& 1.420e-01& 6.525e-02&& 2.176 0.029592 *&duration&&&&&&&&&&&&&&&&&&&&& 4.667e-03& 7.396e-05& 63.099& & 2e-16 ***campaign&&&&&&&&&&&&&&&&&&&& -4.587e-02& 1.158e-02& -3.960
7.49e-05 ***pdays&&&&&&&&&&&&&&&&&&&&&&& -8.822e-04& 2.024e-04& -4.358 1.31e-05 ***poutcomenonexistent&&&&&&&&&& 5.219e-01& 6.356e-02&& 8.211& & 2e-16 ***poutcomesuccess&&&&&&&&&&&&&& 9.996e-01& 2.028e-01&& 4.928 8.31e-07 ***emp.var.rate&&&&&&&&&&&&&&&&
-1.376e+00& 6.885e-02 -19.980& & 2e-16 ***cons.price.idx&&&&&&&&&&&&&&& 1.845e+00& 1.041e-01& 17.725& & 2e-16 ***cons.conf.idx&&&&&&&&&&&&&&&& 3.622e-02& 4.853e-03&& 7.464 8.42e-14 ***nr.employed&&&&&&&&&&&&&&&&&& 5.883e-03& 9.765e-04&&
6.024 1.70e-09 ***---Signif. codes:& 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1&(Dispersion parameter for binomial family taken to be 1)&&&& Null deviance: 28999& on 41187& degrees of freedomResidual deviance:
17203& on 41150& degrees of freedomAIC: 17279&Number of Fisher Scoring iterations: 10&&&模型预测用predict函数，参数type=’response’Newdata参数是要预测的数据集&& prob&-predict(model.step,type = 'response')& head(prob)&&&&&&&&& 1&&&&&&&&&& 2&&&&&&&&&& 3&&&&&&&&&& 4&&&&&&&&&& 5&&&&&&&&&& 6 0...... &假设以0.5为临界值&
pre&-ifelse(prob&0.5,1,0)& table(pre,bank$y)&&pre&&&& 0&&&& 1& 0 3& 1&& 952& 1973&&预测的准确率&
(34)/(36+956+1964)[1] 0.911819&实际有响应的客户被识别出了多少& +2676)[1] 0.4232759&&模型评估&& confusionMatrix(bank$y,pre,pos='1')Confusion Matrix and Statistics&&&&&&&&&& ReferencePrediction&&&& 0&&&& 1&&&&&&&& 0 35596&& 952&&&&&&&& 1& &&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&& &&&&&&&&&&&&&&&Accuracy : 0.9121&&&&&&&&& &&&&&&&&&&&&&&&&&95% CI : (0.9)&&& No Information Rate : 0.929&&&&&&&&&& &&&&P-Value [Acc & NIR] : 1&&&&&&&&&&&&&& &&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&Kappa : 0.476&&&&&&&&&& &Mcnemar's Test P-Value : &2e-16&&&&&&&& &&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&Sensitivity : 0.67453&&&&&&&& &&&&&&&&&&&&Specificity : 0.93030&&&&&&&& &&&&&&&&&Pos Pred Value : 0.42522&&&&&&&& &&&&&&&&&Neg Pred Value : 0.97395&&&&&&&& &&&&&&&&&&&&&Prevalence : 0.07102&&&&& &&&&&&&&&&&&Detection Rate : 0.04790&&&&&&&& &&&Detection Prevalence : 0.11265&&&&&&&& &&&&&&Balanced Accuracy : 0.80241&&&&&&&& &&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&'Positive' Class : 1&&&&&&&&&&&&&& &&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&Kappa 统计量(kappa statistic)用于评判分类器的分类结果与随机分类的差异度用Kappa统计量评价：&&& 较差：小于0.20&&& 一般：0.20至0.40&&& 稳健：0.40至0.60&&& 好的：0.60至0.80很好的：0.80至1.00&&ROC曲线pred&-prediction(prob,bank$y)perf&-performance(pred,measure = &tpr&,x=&fpr&)plot(perf)&&&&&&&&&&&&RandomForest加载数据列&& data=read.table(&input.txt&,header = TRUE)& str(data)'data.frame':& 222 obs. of& 23 variables:&$ Acti_Profile&&&&&&&&&&&& : num& 0 0 0 0 0 0 0 0 0 0 ...&$ Activity&&&&&&&&&&&&&&&& : num& 1.25 0 0.938 6.562 0 ...&$ Diastolic_PTT&&&&&&&&&&& : num& 256 240 253 0 241 ...&$ Diastolic&&&&&&&&&&&&&&& : num& 73.2 78.6 74 0 78.4 ...&$ Heart_Rate_Curve&&&&&&&& : num& 81.2 69.7 77.6 95 83.6 ...&$ Heart_Rate_Variability_HF: num& 131 250 135 144 141 ...&$ Heart_Rate_Variability_LF: num& 311 218 203 301 244 ...&$ MAP&&&&&&&&&&&&&&&&&&&&& : num& 86 93.5 86.9 0 91.7 ...&$ Position&&&&&&&&&&&&&&&& : num& 0 0 0 1 0 0 0 0 0 0 ...&$ PTT_Raw&&&&&&&&&&&&&&&&& : num& 308 288 308 0 295 ...&$ RR_Interval&&&&&&&&&&&&& : num& 734 878 773 632 714 ...&$ Sleep_Wake&&&&&&&&&&&&&& : num& 1 1 1 1 1 0 1 1 0 0 ...&$ SpO2&&&&&&&&&&&&&&&&&&&& : num& 0 0 99 0 98.4 ...&$ Sympatho_Vagal_Balance&& : num& 23 8.17 14.5 20.4 16.88 ...&$ Systolic_PTT&&&&&&&&&&&& : num& 308 288 307 0 295 ...&$ Systolic&&&&&&&&&& &&&&&&: num& 113 124 113 0 119 ...&$ Autonomic_arousals&&&&&& : num& 0 0 0 0 0 0 0 0 0 0 ...&$ Cardio_complex&&&&&&&&&& : num& 0 0 0 1 0 0 0 0 0 0 ...&$ Cardio_rhythm&&&&&&&&&&& : num& 0 0 2 0 0 0 0 0 0 0 ...&$ Classification_Arousal&& : num& 0 0 0 0 0 0 0 0 0 0 ...&$ PTT_Events&&&&&&&&&&&&&& : num& 1 0 2 0 0 0 0 0 0 0 ...&$ Systolic_Events&&&&&&&&& : num& 1 0 1 0 0 0 0 0 0 0 ...&$ y&&&&&&&&&&&&&&&&&&&&&&& : num& 1 0 1 0 0 0 0 0 0 0 ...加载随机森林包& library(randomForest)进行训练& 以y作为因变量，其余数据作为自变量& rf &- randomForest(y ~ ., data=data, ntree=100, proximity=TRUE,importance=TRUE)& plot(rf)重要性检测衡量把一个变量的取值变为随机数，随机森林预测准确性的降低程度& importance(rf,type=1)&&&&&&&&&&&&&&&&&&&&&&&&&&&&& %IncMSEActi_Profile&&&&&&&&&&&&&& 0.Activity&&&&&&&&&&&&&&&&&& 0.Diastolic_PTT&&&&&&&&&&&&& 0.Diastolic&&&&&&&&&&&&&&&&& 1.Heart_Rate_Curve&&&&&&&&&& 0.Heart_Rate_Variability_HF& 2.Heart_Rate_Variability_LF -0.MAP&&&&&&&&&&&&&&&&&&&&&&& 0.Position&&&&&&&&&&&&& &&&&&1.PTT_Raw&&&&&&&&&&&&&&&&&&& 1.RR_Interval&&&&&&&&&&&&&&& 0.Sleep_Wake&&&&&&&&&&&&&&&& 1.SpO2&&&&&&&&&&&&&&&&&&&&&& 0.Sympatho_Vagal_Balance&&&& 1.Systolic_PTT&&&&&&&&&&&&&& 1.Systolic&&& &&&&&&&&&&&&&&&0.Autonomic_arousals&&&&&&&& 0.Cardio_complex&&&&&&&&&&&& 1.Cardio_rhythm&&&&&&&&&&&&& 1.Classification_Arousal&&& -0.PTT_Events&&&&&&&&&&&&&&&& 4.Systolic_Events&&&&&&&&&& 33.&输出随机森林的模型&
print(rf)&Call:&randomForest(formula = y ~ ., data = data, ntree = 100, proximity = TRUE,&&&&& importance = TRUE)&&&&&&&&&&&&&& Type of random forest: regression&&&&&&&&&&&&&&&&&&&& Number of trees: 100No. of
variables tried at each split: 7&&&&&&&&&& Mean of squared residuals: 0.&&&& 残差平方和SSE&&&&&&&&&&&&&&&&&&& % Var explained: 98.7&&总平方和（SST）：（样本数据-样本均值）的平方和回归平方和（SSR）：（预测数据-样本均值）的平方和残差平方和（SSE）：（样本数据-预测数据均值）的平方和&SST&=&SSR&+&SSE&&&&&&&&基尼指数：&&
importance(rf,type=2)&&&&&&&&&&&&&&&&&&&&&&&&& IncNodePurityActi_Profile&&&&&&&&&&&&&&& 0.Activity&&&&&&&&&&&&&&&&&&& 0.Diastolic_PTT&&&&&&&&&&&&&& 0.Diastolic&&&&&&&&&&&&&&&&&& 0.Heart_Rate_Curve&&&&&&&&&&&
0.Heart_Rate_Variability_HF&& 0.Heart_Rate_Variability_LF&& 0.MAP&&&&&&&&&&&&&&&&&&&&&&&& 0.Position&&&&&&&&&&&&&&&&&&& 0.PTT_Raw&&&&&&&&&&&&&&&&&&&& 0.RR_Interval&&&&&&&&&&&&&&&&
0.Sleep_Wake&&&&&&&&&&&&&&&&& 0.SpO2&&&&&&&&&&&&&&&&&&&&&&& 1.Sympatho_Vagal_Balance&&&&& 0.Systolic_PTT&&&&&&&&&&&&&&& 0.Systolic&&&&&&&&&&&&&&&&&&& 0.Autonomic_arousals&&&&&&&&&
0.Cardio_complex&&&&&&&&&&& &&0.Cardio_rhythm&&&&&&&&&&&&&& 0.Classification_Arousal&&&&& 0.PTT_Events&&&&&&&&&&&&&&&&& 7.Systolic_Events&&&&&&&&&&& 39.&&进行预测prediction
&- predict(rf, data[,],type=&response&)输出预测结果table(observed =data$y,predicted=prediction)plot(prediction)&&&支持向量机library(e1071)svmfit&-svm(y~.,data=data,kernel=&linear&,cost=10,scale=FALSE)& print(svmfit)&Call:svm(formula = y ~ ., data = data, kernel = &linear&, cost = 10, scale = FALSE)&&Parameters:&& SVM-Type:& eps-regression &SVM-Kernel:& linear &&&&&& cost:& 10 &&&&& gamma:& 0. &&& epsilon:& 0.1 &&Number of Support Vectors:& 20& plot(svmfit,data)&&神经网络&& concrete&-read_excel(&Concrete_Data.xls&)& str(concrete)Classes ‘tbl_df’, ‘tbl’ and 'data.frame':&&& 1030 obs. of& 9 variables:&$ Cement&&&&& : num& 540 540 332 332 199 ...&$ Slag&&&&&&& : num& 0 0 142 142 132 ...&$ Ash&&&&&&&& : num& 0 0 0 0 0 0 0 0 0 0 ...&$ water&&&&&& : num& 162 162 228 228 192 228 228 228 228 228 ...&$ superplastic: num& 2.5 2.5 0 0 0 0 0 0 0 0 ...&$ coarseagg&& : num& 2 932 978 ...&$ fineagg&&&& : num& 676 676 594 594 826 ...&$ age&&&&&&&& : num& 28 28 270 365 360 90 365 28 28 28 ...&$ strength&&& : num& 80 61.9 40.3 41.1 44.3 ...&&& normalize &- function(x){ return ((x-min(x))/(max(x)-min(x)))}& concrete_norm &- as.data.frame(lapply(concrete,normalize))&&& concrete_train &- concrete_norm[1:773,]& concrete_test &- concrete_norm[774:1030,]&&& library(neuralnet)& concrete_model &- neuralnet(strength ~ Cement+Slag+Ash+water+superplastic+coarseagg+fineagg+age,data=concrete_train)& plot(concrete_model)&&&&&&model_results &- compute(concrete_model,concrete_test[1:8])predicted_strength &- model_results$net.result& cor(predicted_strength,concrete_test$strength)&&&&&&&&&&&& [,1][1,] 0.& concrete_model2 &- neuralnet(strength ~ Cement+Slag+Ash+water+superplastic+coarseagg+fineagg+age,data=concrete_train,hidden=5)& plot(concrete_model2)计算误差&
model_results2 &- compute(concrete_model2,concrete_test[1:8])& predicted_strength2 &- model_results2$net.result& cor(predicted_strength2,concrete_test$strength)&&&&&&&&&&&&
[,1][1,] 0.&&&&&&主成分分析身高、体重、胸围、坐高& test&-data.frame(+&&&& X1=c(148, 139, 160, 149, 159, 142, 153, 150, 151, 139,+&&&&&&&&& 140, 161, 158, 140, 137, 152, 149, 145, 160, 156,+&&&&&&&&& 151, 147, 157, 147, 157, 151, 144, 141, 139, 148),+&&&& X2=c(41, 34, 49, 36, 45, 31, 43, 43, 42, 31,+&&&&&&& &&29, 47, 49, 33, 31, 35, 47, 35, 47, 44,+&&&&&&&&& 42, 38, 39, 30, 48, 36, 36, 30, 32, 38),+&&&& X3=c(72, 71, 77, 67, 80, 66, 76, 77, 77, 68,+&&&&&&&&& 64, 78, 78, 67, 66, 73, 82, 70, 74, 78,+&&&&&&&&& 73, 73, 68, 65, 80, 74, 68, 67, 68, 70),+&&&& X4=c(78, 76, 86, 79, 86, 76, 83, 79, 80, 74,+&&&&&&&&& 74, 84, 83, 77, 73, 79, 79, 77, 87, 85,+&&&&&&&&& 82, 78, 80, 75, 88, 80, 76, 76, 73, 78)+ )& test.pr&-princomp(test,cor=TRUE)& summary(test.pr,loadings=TRUE)Importance of components:&&&&&&&&&&&&&&&&&&&&&&&&&&&& Comp.1&&&&&&& Comp.2&&&&&&& Comp.3&&&&&&& Comp.4Standard deviation&&&& 1. 0. 0. 0.Proportion of Variance 0. 0. 0. 0.Cumulative Proportion &0. 0. 0. 1.&Loadings:&& Comp.1 Comp.2 Comp.3 Comp.4X1& 0.497& 0.543 -0.450& 0.506X2& 0.515 -0.210 -0.462 -0.691X3& 0.481 -0.725& 0.175& 0.461X4& 0.507& 0.368& 0.744 -0.232&&前两个主成分的累计贡献率已经达到96% 可以舍去另外两个主成分达到降维的目的因此可以得到函数表达式 Z1=-0.497X'1-0.515X'2-0.481X'3-0.507X'4&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&Z2=& 0.543X'1-0.210X'2-0.725X'3-0.368X'44.画主成分的碎石图并预测& screeplot}