ID3算法及R实现
上一节
下一节
1、建立训练集与测试集，并基于训练集生成决策树
2、printcp函数结果解释
3、print函数结果解释
4、树状图生成与解释
补充——rpart.plot中branch参数的意义
5、预测
目录
-
1 医学大数据概论
-
1.1 课程简介、教学进度、学习指南
-
1.2 基础知识
-
1.3 医学大数据分析的特点
-
1.4 医学大数据应用
-
1.5 R语言的下载和编辑窗口基本介绍
-
1.6 授课课件
-
-
2 常用大数据工具
-
2.1 Hadoop简介
-
2.2 Python简介
-
2.3 R语言
-
2.4 Matlab简介
-
2.5 Weka简介
-
2.6 认识R语言的编译环境
-
-
3 第3章 医学大数据的获取
-
3.1 医学大数据的来源
-
3.2 结构化数据的获取
-
3.3 非结构化数据的获取
-
3.4 生物组学大数据的获取
-
3.5 医学公共数据库简介
-
3.6 R语言数据读写
-
-
4 数据预处理
-
4.1 为什么要进行数据预处理
-
4.2 数据对象及数据描述
-
4.3 数据预处理的主要方法
-
4.4 思维导图、授课课件
-
-
5 回归分析
-
5.1 回归分析概述
-
5.2 一元线性回归
-
5.3 多元线性回归
-
5.4 logistic回归
-
5.5 授课课件
-
-
6 数据降维
-
6.1 数据降维概述
-
6.2 主成分分析方法
-
6.3 授课课件
-
6.4 岭回归和lasso(选学）
-
-
7 关联规则
-
7.1 关联规则概述
-
7.2 apriori算法
-
7.3 关联规则评估方法
-
7.4 关联规则r语言实现
-
7.5 本章课件PPT
-
-
8 分类方法
-
8.1 什么是分类
-
8.2 决策树概述
-
8.3 信息熵与信息增益
-
8.4 ID3算法及R实现
-
8.5 算法性能度量-混淆矩阵
-
8.6 ID3算法性能提升方法
-
8.7 随机森林
-
8.8 朴素贝叶斯
-
8.9 分类算法评估
-
8.10 第7次课课件
-
8.11 第8次课课件
-
-
9 聚类分析
-
9.1 课件
-
9.2 相似性的度量方式
-
9.3 层次聚类法
-
9.4 kmeans方法
-
-
10 马尔科夫预测
-
10.1 课件
-
10.2 基本概念
-
10.3 状态转移矩阵
-
10.4 稳态概率
-
10.5 应用实例
-
-
11 总复习课件
-
11.1 课件
-
11.2 5.4 岭回归
-
