inteligenta computationala-programare in r

8/15/2019 Inteligenta computationala-programare in R

1/57

ACADEMIA DE STUDII ECONOMICE; FACULTATEA DE CIBERNETICĂ, STATISTICĂ ȘIINFORMATICĂ ECONOMICĂ, SPECIALIZAREA CIBERNETICĂ ECONOMICĂ

PROIECT INTELIGEN Ă Ț

COMPUTA IONALĂ Ț

1


2/57


În cadrul proiectului au fost supuse analizei 41 de jude e cu atributele:ț-cantitative-

• SuprArabila = suprafa ă arabilă (mii de haț• SuprA!ricola = suprafa ă a!ricolă (mii de haț• "ii = suprafa ă cu vii i pepiniere viticole (mii de haț ș• #ivezi = suprafa ă cu livezi i pepiniere pomicole (mii de haț ș• $aduri = suprafa ă cu păduri i altă ve!eta ie forestieră (mii de haț ș ț• Ape = suprafa ă cu ape i băl i (mii de haț ș ț• %onstructii = suprafa ă ocupată cu construc ii (mii de haț ț• %ai&e%omunicatii = suprafa ă ocupată cu căi de comunica ii i căi de transport (mii deț ț ș

ha-calitativă-

• 'arimi = mărime calitativă ce eprimă tipul de jude )n func ie de suprafa ă*ț ț ț

Elemente de statistică descriptivă

Am instalat bibliotecile e1+,1 i scales* Am citit fi ierul de tip csv )n care au fostș șenumerate cele atribute. cu valorile aferente pentru fiecare jude *ț

/ librar0(e1+,1/librar0(scales/ eem - read*csv(2%:3%cal*csv2

/eem

/ dim(eem516 41 Am afi at numărul de jude e supuse observa iei*ș ț ț

/ names(eem

516 27udete*din*8omania2 2SuprArabila2 2SuprA!ricola2546 2"ii2 2#ivezi2 2$aduri25,6 2Ape2 2%onstructii2 2%ai&e%omunicatii2

Am afi at numele atributelor studiate (coloanelor*ș/ str(eem

2


3/57


Am afi at forma tabelului* În partea st9n!ă sunt variabilele analizate. iar )n partea deaptășinforma ii despre tipul lor (cantitative sau calitative. precum i eemple de valori*ț ș

/ eem51:.6

Am afi at datele numerice*ș

> var(exe!S"#rAra$%&a'

1) 1*2+-.*

/


4/57


$entru variabila calitativă. func ia nu este disponibilă*ț

> 0v(exe,2.)'

8ezultă de aici matricea de covarian ă a celor atribute*ț

/ cor(eem5.;:6

3


5/57


'atricea de corela ie a datelor ț :

$utem observa că eistă )n matricea de corela ie un număr mare de valori ne!ative. ceeațce indică faptul că )ntre variabile eistă i corela ii ne!ative*ș ț#ivezi/ hist(eem>$aduri/ hist(eem>Ape/ hist(eem>%onstructii/ hist(eem>%ai&e%omunicatii

• Se )nre!istrează o distribu ie relativ simetrică pentru atributele SuprA!ricola iț ș

%onstructii*• Se observă o distribu ie asimetrică spre st9n!a pentru SuprArabila. "ii. #ivezi. $aduri.ț

Ape i %ai&e%omunicatii*ș• 'ajoritatea jude elor au sub ;+ de ?m pătra i de suprafe e plantate cu vii i sub @+ de ?mț ț ț ș

pătra i de ape* %ea mai mare frecven ă a jude elor se )nre!istrează pentru acele intervale*ț ț ț

4


6/57


/ plot(densit0(eem>SuprArabila

*


7/57


7ude ele se clasifică )n func ie de variabila calitativă ('arimi*ț ț

/ pie(table(eem1>'arimi


8/57


Se realizează o structură radială ($ie. pentru a eviden ia cele tipuri de jude e: mici.ț țmijlocii i mari*ș

/ eem1-eem5.-16/ eem1-eem5.-6

Se construie te eem1 doar cu variabilele numerice*ș

/ summar0(eem1

unc ia summar0( afi ează minimul. maimul. media. mediana i cuartilele pentruț ș șfiecare variabilă analizată*

+


9/57


Analiza componentelor principale

/ eemm-eem5.1:6/ eemm/ eemmm-eemm5.;:6/ eemmm/ names(eemmm

eemmm va fi contruit pe baza coloanele ;- din fi ierul csv*ș

Se afi ează numele capului de tabel i un sumar al datelor* $entru fiecare variabilă. pro!ramul aș șdeterminat valoarea minimă. maimă. media. mediana i cuartilele*ș

.


10/57


Se afi ează matricea de covarian ă a datelor din eemmm*ș ț

'ai sus. a fost afi ată matricea vectorilor proprii*ș

15


11/57


/ pca-princomp(eemmm. cor=/ pca

S-a calculat abaterea standard pentru fiecare componentă* Au fost supuse analizei 41 deobserva ii (jude ele i variabile*ț ț ș

K-means

/ set*seed(@/ ?m-?means(eem5.;:@6.4/ ?m

11


12/57


Am )mpăr it datele din coloanele ;-@ )n 4 clase* Bumărul de clase a fost inficat )n func iaț ț?means( de mai sus* $rimul cluster cuprinde 14 observa ii. al doilea 11. al treilea 4. iar ultimulț1;*

/plot(eem5.;6.eem5.6. col=?m>cluster

S-a realizat plot-ul i s-au colorat )n culori diferite observa iile )n func ie de clusterul din care facș ț ț parte*

/ set*seed(@/ ?m-?means(eem5.;:@6.4/ table(?m>cluster. eem>'arimi

12


13/57


Se afi ează matricea de confuzie:ș

/ ?m>cluster

/o-order(?m>cluster/data*frame(eem>7udete5o6. ?m>cluster5o6

Afi ează jude ele !rupate alfabetic )n cele 4 clustere*ș ț

1 Cistrita-Basaud 1; 'aramures 1 Salaj 14 Crasov 1@ %ovasna 1D Sibiu 1, Beamt 1 "rancea 1

&ambovita 11+ $rahova 111 lfov 11; Eorj 11 "alcea 114 Funedoara 11@ %luj ;1D Satu 'are ;1, Alba ;1 Far!hita ;1 'ures ;;+ Cacau ;;1 Suceava ;;; Ar!es ;; Eiur!iu ;;4 'ehedinti ;;@ %aras-Severin ;

1/


14/57


;D %onstanta ;, Geleorman ; &olj ; Gimis + Cihor 4

1 Cotosani 4; asi 4 "aslui 44 Craila 4@ Cuzau 4D Ealati 4, Gulcea 4 %alarasi 4 alomita 4

4+ Hlt 441 Arad 4

%onform clusterizării ?-means:

• clusterul 1 cuprinde: Cistrita-Basaud. 'aramures. Salaj. Crasov. %ovasna.

Sibiu. Beamt. "rancea. &ambovita. $rahova. lfov. Eorj. "alcea. FunedoaraI

• clusterul ; cuprinde: %luj. Satu 'are. Alba. Far!hita. 'ures. Cacau. Suceava. Ar!es.

Eiur!iu. 'ehedinti. %aras-Severin (care ar avea urmatorul !rad de riscI• clusterul cuprinde: %onstanta. Geleorman. &olj. GimisI• clusterul 4 cuprinde: Cihor. Cotosani. asi. "aslui. Craila. Cuzau. Ealati. Gulcea. %alarasi.

alomita. Hlt. Arad*7ude ele din !rupa de risc 4 au !radul de risc cel mai mare*ț

/ plot(eem. col = ?m>cluster

13


15/57


Sunt reprezentate observa iile !rupate )n cele 4 clustere )n raport cu cele atribute numerice*ț

/plot(eem>SuprArabila. eem>SuprA!ricola. lab=2Arabil2. 0lab=2A!ricol2. col=?m>cluster

14


16/57


/ tet(=eem>SuprArabila. 0=eem>SuprA!ricola. labels=eem>7udete. col=?m>cluster

1*


17/57


Hbserva iile din !rafic sunt etichetate cu numele jude elor*ț ț

Clusterizare ierarhică

/d - dist(eem5.-1+6. method = 2euclidean2/dSau/d-dist(eem5.-1+6. method=2manhattan2/d

1


18/57


În clusterizarea ierarhică pot fi folosite mai multe tipuri de distan e (euclidiană. manhattans auțJard*

fit - hclust(d. method=2Jard*&2%alculează distan a dintre clustere conform metodei Kard*ț

/ plot(fit

Afi ează dendo!rama:ș

/!roups - cutree(fit. ?=4Împarte dendo!rama )n 4 clustere*

1+


19/57


/ !roupsAfi ează cele 4 clustere*ș

/rect*hclust(fit. ?=@. border=2red2

Sunt delimitate cele 4 clustere printr-o linie roșie*

/hcd = as*dendro!ram(fit/hcd

1.


20/57



21/57


&acă vrem să inspectăm partea superioara a dendo!ramei folosim:

op - par(mfroJ = c(;. 1unc ia par ( combină mai multe !rafice pe accea i foaie* %omanda mfroJ=c(nrlinii.ț șnrcoloane creează o matrice de !rafice care sunt a ezate linie cu linie*ș

plot(cut(hcd. h = 1+++>upper. main = 2Mpper tree of cut at h=1+++2"izualizăm partea superioara a dendo!ramei deasupra )nal imii 1+++*ț

plot(cut(hcd. h = 1+++>loJer55;66. main = 2Second branch of loJer tree Jith cut at h=1+++2"izualizăm a doua ramură a dendo!ramei sub )năl imea 1+++*ț

21


22/57


par(op8evin la vechile setări*

22


23/57


Algoritmul kme!oi!s

/ librar0(fpc

/ scurt - subset(eem. select = -c(1 &in setul de date eliminăm prima coloană*

/scurt/scurt - subset(eem. select = -c(1 Se ter!e coloana 1 din setul de date pentru că al!oritmul bazat pe ?-medoizi operează numai cușvalori numerice*

/pam?*result-pam?(scurt/pam?*result

&acă nu s-a precizat numărul de clustere. s-au )mpăr it datele )n două clustere*ț

/ pam?*result>ncAfi ează numărul de clustere create*ș516 ;

/table(pam?*result>pamobject>clusterin!. scurt>'arimi

2/


24/57


Afi ează matricea de contin!en ă*ș ț

/tab- table(pam?*result>pamobject>clusterin!. scurt>'arimi/ classA!reement(tab

Algoritmul "uzz# $cmea%s

&orim să realizăm o clusterizare c-means cu clustere*

/result-cmeans(scurt5.-1+6.. 1++. m=. method=2cmeans2/ result

uzz0 c-means clusterin! Jith clusters

%luster centers: SuprArabila SuprA!ricola "ii #ivezi $aduri Ape %onstructii1 4*+@ 4@*1@ ,*1D1,; *1@,,D D*,+1 ;@*+14 ;1*14; ;1*@@+ @D*;; 1+*@D111; @*@@@; 1D*D, 1,*; 1,*1@ 11*+ ;4*;@ 1+*@4D @*;;@@+ ;*@,;@4 1+*4;+11 1D*;D@+

%ai&e%omunicatii1 11*@@@; *4D4 *1++,D

'emberships: 1 ;

23


25/57


1 +*1@ +*+4D@D +*;@,;+,; +*1+1@1++ +*;,;@1 +*D@@@+ +*;+D+ +*@+@D,1 +*;+@,4 +*11,@1@, +*;;1;;@@ +*DD11;@ +*1DD1 +*@,@+D,@ +*;;@;D

D +*1,4+4+ +*;4,@ +*41;+14, +*+,14+; +*1,1,@ +*,@D,,;4 +*++11D4 +*1414@D +*,;;4;+ +*1D1,4 +*1@,D@ +*@1@+D,1+ +*1D;D@, +*1,@1;@ +*@141@11 +*1,;1, +*4D@;+ +*+D14;1; +*1@1+ +*;+1 +*@11@,41 +*1;D,@ +*;1D+@ +*@@@1D14 +*D114D +*4;DD@+ +*1,D,;4

1@ +*;+@1@D +*D1; +*1D;;@1,1D +*+1,1; +*;+14 +*,+D4;;1, +*;;1+4@+ +*;@;; +*44,,;;1 +*D111;,, +*4D4+ +*1,@44;@1 +*@4@+@+44 +*;;+D +*1@@+;;;+ +*;+1++@D1 +*D++DD +*11+D;1 +*@;D;; +*;,, +*1D,D@1;;; +*44+D@ +*4@4,+ +*1@@11+; +*4D4@ +*@;+ +*;+,@,D;4 +*114,@DD +*;,@14 +*D1+1+,,

;@ +*1+D; +*;;;;+ +*@,1,1@+1;D +*,1@@+;; +*1,@; +*1+@4+4;, +*1,1,,@ +*4;14 +*44,; +*;DD+@@1 +*4,;+41; +*;@@;; +*@1;;;D; +*;+;+ +*1DD,44+ +*14+11 +*D@+ +*4+D+1 +*D;;D@ +*11 +*1;@,D4; +*;4D,;; +*DD1+1 +*+@;D4 +*@D+,; +*;@D++ +*1@+;;44 +*11D+;4D, +*;11D1 +*DD414+@ +*1;;+;, +*4; +*D,;D +*1@4++ +*1+,DD4 +*+D+@, +*1;;+41 +*;D +*D4+,+ +*41111 +*4,1,; +*;,++4 +*;1;+4 +*14D +*4D4+D114+ +*1D@14,+ +*;,;; +*@D;+;D@141 +*4+@D4 +*;;+11, +*;;,4+14

24


26/57


27/57


/ points(result>centers5.c(;.6. col=1:. pch=. ce=;Apar centroizii celor clustere corespunzătoare celui mai apropiat model hard clusterin!*

/tab-table(scurt>'arimi. result>cluster/tabSe afi ează matricea de confuzie:ș

"alori previzionate

"alori reale

2


28/57


ntepretare:

• &in primul cluster fac parte @ jude e cu clasa de risc mare. un jude cu clasa de risc micăț ț

i 4 jude e cu clasa de risc mijlocie*ș ț• &in al doilea cluster fac parte jude e cu clasa de risc mare. 4 jude e cu clasa de riscț ț

mică i @ jude e cu clasa de risc mijlocie*ș ț• &in al treilea cluster fac parte D jude e cu clasa de risc mare. jude e cu clasa de riscț ț

mică i 1+ jude e cu clasa de risc mijlocie*ș ț

/ classA!reement(tab

nterpretare:

• 8ata de acurate e a modelului este de 4D.4N*ț• %oeficientul lui %ohen este +*1D,. ceea ce conduce la concluzia că datele sunt de

)ncredere*

&OM'&el"Orga%izi%g Ma(s)

/ librar0(?ohonen/set*seed(1+1

/eemplu-eem5-16Am eliminat prima coloană din setul de date. care este denumirea jude elor*ț

/ train*obs-sample(nroJ(eemplu.1;Ale! un e antion de 1; observa ii pentru setul de antrenament*ș ț /train*obs516 1D ; ; ;@ 1+ 11 ;1 1; @ 1 ;;

2+


29/57


SH'

/ train*set - scale(eemplu5train*obs.65.-6


30/57


S-au ob inut D clustere. pe linie i ; pe coloană*ț șSe observă că fiecare cluster este caracterizat de una sau mai multe variabile predominante.corespunzătoare triun!hiului colorat mai mare*$rimul cluster este caracterizat de valori mari pentru suprafa a arabilă. suprafa a a!ricolă. căi deț țcomunica ii. construc ii i ape *ț ț șMltimul cluster este caracterizat de o valoare mare a variabilei vii*

$redic ie cu SH':ț

/somprediction-predict(someemplu. neJdata=test*set. trainP=train*set.trainQ=classvec;classmat(eemplu5.65train*obs6

/5


31/57


32/57


/distance - dist(sampleemplu5.-1+6. method=2euclidean2

/cluster - hclust(distance. method=2avera!e2/plot(cluster. han!=-1. label=sampleemplu>'arimi

/2


33/57


/plot(as*dendro!ram(cluster. ed!e$ar=list(col=2dar?!reen2. lJd=;. horiz=G

//


34/57


%omanda ed!e$ar = o listă care specifică parametrii muchiilor dendo!rameilJd = line Jidth = !rosimea muchiilor dendo!ramei. ia numai valori pozitivelJd = 1 (b0 defaulthoriz = G (muchiile dendo!ramei sunt orizontale

/ str(as*dendro!ram(cluster

Afi ează dendo!rama sub formă de tet:ș

--5dendro!ram J3 ; branches and 1@ members at h = @+6 R--5dendro!ram J3 ; branches and ; members at h = 16 R R--leaf 2412R --leaf 22--5dendro!ram J3 ; branches and 1 members at h = 16

/3


35/57


R--leaf 22--5dendro!ram J3 ; branches and 1; members at h = ;6

R--5dendro!ram J3 ; branches and D members at h = 1D6 R R--leaf 2;D2

R --5dendro!ram J3 ; branches and @ members at h = 1116

R R--5dendro!ram J3 ; branches and members at h = ,4*6 R R R--leaf 2;2

R R --5dendro!ram J3 ; branches and ; members at h = 4D6 R R R--leaf 2142

R R --leaf 2;;2R --5dendro!ram J3 ; branches and ; members at h = *46

R R--leaf 2@2R --leaf 21@2--5dendro!ram J3 ; branches and D members at h = ;+6

R--5dendro!ram J3 ; branches and ; members at h = 1@16 R R--leaf 22R --leaf 21+2--5dendro!ram J3 ; branches and 4 members at h = 1,;6

R--leaf 242--5dendro!ram J3 ; branches and members at h = 1416

R--leaf 2@2--5dendro!ram J3 ; branches and ; members at h = *@6

R--leaf 22--leaf 2D2

/!roup* - cutree(cluster. ? = Împarte dendo!rama )n clustere*

/table(!roup*. sampleemplu>'arimi%ompară cele clustere cu clasele de risc cunoscute*

nterpretare:

• &in clusterul 1 fac parte doua jude e cu clasa de risc mare. @ jude e cu clasa de risc micăț ț

i @ jude e cu clasa de risc mijlocie*ș ț• &in clusterul ; face parte un jude cu clasa de risc mare*ț

/4


36/57


• &in clusterul fac parte două jude e cu clasa de risc mare*ț

/plot(clusterI rect*hclust(cluster. ?=@. border=2red2

/par(mfroJ=c(1.1/ z - as*dendro!ram(cluster

/ attr(z55;6655;66.2ed!e$ar2 - list(col=2blue2. lJd=4. pch=BA/ attr(z55;6655166.2ed!e$ar2 - list(col=2red2. lJd=. lt0=. pch=BA/ plot(z. horiz=Gt0 =tipul liniei

/*


37/57


/ z55;66Ldendro!ramL Jith ; branches and 1 members total. at hei!ht +*4+1

/


38/57


Ar+ori !e !ecizie

/ librar0(part0

/ set*seed(111/ indice-sample(;.nroJ(eem.replace=G8M


39/57


D Salaj 1;+*@D ;*@ ;*@ 4*D 1+D*4 @*+ Crasov 1;+*@ ;1*;@ +*+D 1*; ;+D*4, @*,11 'ures ;;+*+ 411*1 ;*4 @*1@ ;+*4@ D*1; Sibiu 11*@+ +*D; 11@*+4 @*+@ ;++*1 @*1 Cacau 1D* ;+*,D 1*D ;*D, ;+*; 14*D

1@ asi ;@D*1+ 1*;D +*@@ D*, ,* 1*111D Beamt 1D*1 ;1*D@ 11*4+ 1*,, ;D+*@ 1+*D;1, Suceava 1,*@ 4,*D *+ ;* 4@*DD 1;*;1 "aslui ;1*,D 4++*,; 4*@, ;*D +*1@ *;@;+ Cuzau ;@,*,; 4+;*@ 1*4+ 1+*4 1D*4 1+*,1;1 %onstanta 44*1+ @@*1@ ,*, *, *;D 4*;+;; Ealati ;;* @*1 ;D*1 1*,; 4*1 1*;; Gulcea ;4*@, D*4 ;*++ +*,, *+, 4D*1;@ Ar!es 1,*1 4;*@ +* ;+*@, ;4*@+ *41

;D %alarasi 41+*@1 4;@*+ *DD +*;1 ;;*1D ;,*;,;, &ambovita 1,@*4 ;4,*; * *,@ 1;1*+ 1+*; Eiur!iu ;@*, ;,@*D1 *;4 +*@ ,*4 14*1+; alomita @;*1@ ,4*@+ D*D4 +*; ;D*1@ 1*+1 Geleorman 4@4*4 4,*; +*1 +*;1 ;*D 1@*+1; lfov *+ 1+1*4@ 4D*DD +*D ;@*;; @*11 &olj 4*@D @@*14 @*@ ,*, @*1 ;+*4 Eorj *;4 ;*+ ,*4, ,*4, ;,4*+D 4*4@ 'ehedinti 1,*1 ;* *D; D*1 14* 1*@+D Hlt +*4 4D*@; *DD @*1; @,*4+ 1,*,

Arad @+*D 44*D@ +*++ @*1, ;1*1@ 1*4+ Funedoara ,*D ;1*;4 +*++ 1*+D D@*@ @*+ %onstructii %ai&e%omunicatii 'arimi1 ;*;1 14*; mari; *, *14 mijlocii4 1;* D* mijlocii@ ;*+ *,, miciD *; ,*+; mici +*@; @*;, mijlocii11 1*; 1+*1 mari1; 1@*; ,* mijlocii1 ;1*,; 1+*;4 mari1@ 1*+; 1+*; mijlocii1D 1@*;; ,*1 mijlocii1, 1*41 *; mari1 1@*44 1+*D mijlocii;+ 1D*@ *, mijlocii

/.


40/57


;1 1* 1*+@ mari;; 1,*4+ 1+* mici; 1+*@D ,*1@ mari;@ ;4*4 1+*@4 mari;D 1*@, 1;*@, mijlocii

;, 1D*@; D*, mici; 1D*;; ,*41 mici; 1,*;+ *,; mici1 ;;*@ 1+*D@ mijlocii; ;+*+ 4*4 mici +*@1 1*@4 mari4 14*@+ *+ mijlocii@ 11*; D*D1 mijlociiD ;+*+ 11*;1 mijlocii

;;*4 14*, mari4+ 1D*@@ *4D mari

/ dependenta-'arimiTSuprArabilaUSuprA!ricolaU"iiU#iveziU$aduriUApeU%onstructiiU%ai&e%omunicatii/ dependenta'arimi T SuprArabila U SuprA!ricola U "ii U #ivezi U $aduri U

Ape U %onstructii U %ai&e%omunicatii

/ print(arbore

%onditional inference tree Jith 1 terminal nodes

8esponse: 'ariminputs: SuprArabila. SuprA!ricola. "ii. #ivezi. $aduri. Ape. %onstructii. %ai&e%omunicatii Bumber of observations: +

1V Jei!hts = +

/ plot(arbore

35


41/57


> #&6(ar$re,67#e89:%#&e9'

> a6r%0e0


42/57


> 0&a::Areee6(a6r%0e0


43/57


/ names(eem

516 27udete*din*8omania2 2SuprArabila2 2SuprA!ricola2546 2"ii2 2#ivezi2 2$aduri25,6 2Ape2 2%onstructii2 2%ai&e%omunicatii2

51+6 2'arimi2

Se instalează pachetul rpart*/librar0(rpart

/ fit-rpart('arimi T *. data=eemplu/ fitApare descris arborele i re!ulile sale*ș

n= 41node. split. n. loss. 0val. (0prob V denotes terminal node1 root 41 ;; mijlocii (+*414D41 +*1@1;1@ +*4D414D; %ai&e%omunicatii/=*; 1 , mari (+*D1111111 +*+@@@@@@D +* V

%ai&e%omunicatii *; ; 1+ mijlocii (+*1+44, +*+44, +*@D@;1,D $aduri 1@*4 mici (+*11111111 +*DDDDDDD, +*;;;;;;;; V

, $aduri/=1@*4 14 mijlocii (+*14;@,14 +*+,14;@, +*,@,14; V

Bodurile marcate cu V sunt noduri terminale*

/ plot(fit. uniform=G8M


44/57


&in arborele de mai sus rezultă:

• &acă %ai&e%omunicatii/=*;. se ob in 1 observa ii cu media clasei de risc mijlocii*ț ț• &ac %ai&e%omunicatii *;ț

o &acă $aduri1@*@. se ob in 1 observa ii. cu media clasei de risc mijlocii*ț țo &acă $aduri/=1@*@. se ob ine o observa ie cu media clasei de risc mică i douăț ț ș

observa ii cu media clasei de risc mijlocie*ț

33


45/57


Clasi"icatorul %ai, -a#esia%'.CN-)

/librar0(e1+,1/librar0(class/ model-naiveCa0es(eem5.1:6. factor(eem5.1+6/ modelSunt afi ate probabilită ile apriori i cele condi ionate*ș ț ș ț

Baive Ca0es %lassifier for &iscrete $redictors

%all:

naiveCa0es*default( = eem5. 1:6. 0 = factor(eem5. 1+6

A-priori probabilities:factor(eem5. 1+6 mari mici mijlocii+*414D4 +*1@1;;+ +*4D414D

%onditional probabilities: 7udete*din*8omaniafactor(eem5. 1+6 Alba Arad Ar!es Cacau Cihor mari +*++++++++ +*+,14;@, +*+,14;@, +*+,14;@, +*+,14;@, mici +*++++++++ +*++++++++ +*++++++++ +*++++++++ +*++++++++ mijlocii +*+@;D1@ +*++++++++ +*++++++++ +*++++++++ +*++++++++ 7udete*din*8omaniafactor(eem5. 1+6 Cistrita-Basaud Cotosani Craila Crasov Cuzau mari +*++++++++ +*++++++++ +*++++++++ +*++++++++ +*++++++++ mici +*++++++++ +*++++++++ +*++++++++ +*++++++++ +*++++++++ mijlocii +*+@;D1@ +*+@;D1@ +*+@;D1@ +*+@;D1@ +*+@;D1@ 7udete*din*8omania

factor(eem5. 1+6 %alarasi %aras-Severin %luj %onstanta %ovasna mari +*++++++++ +*+,14;@, +*+,14;@, +*+,14;@, +*++++++++ mici +*++++++++ +*++++++++ +*++++++++ +*++++++++ +*1;@+++++ mijlocii +*+@;D1@ +*++++++++ +*++++++++ +*++++++++ +*++++++++ 7udete*din*8omaniafactor(eem5. 1+6 &ambovita &olj Ealati Eiur!iu Eorj mari +*++++++++ +*+,14;@, +*++++++++ +*++++++++ +*++++++++

34


46/57


mici +*1;@+++++ +*++++++++ +*1;@+++++ +*1;@+++++ +*++++++++ mijlocii +*++++++++ +*++++++++ +*++++++++ +*++++++++ +*+@;D1@ 7udete*din*8omaniafactor(eem5. 1+6 Far!hita Funedoara alomita asi lfov mari +*+,14;@, +*+,14;@, +*++++++++ +*++++++++ +*++++++++

mici +*++++++++ +*++++++++ +*1;@+++++ +*++++++++ +*1;@+++++ mijlocii +*++++++++ +*++++++++ +*++++++++ +*+@;D1@ +*++++++++ 7udete*din*8omaniafactor(eem5. 1+6 'aramures 'ehedinti 'ures Beamt Hlt mari +*++++++++ +*++++++++ +*+,14;@, +*++++++++ +*++++++++ mici +*++++++++ +*++++++++ +*++++++++ +*++++++++ +*++++++++ mijlocii +*+@;D1@ +*+@;D1@ +*++++++++ +*+@;D1@ +*+@;D1@ 7udete*din*8omaniafactor(eem5. 1+6 $rahova Salaj Satu 'are Sibiu Suceava

mari +*++++++++ +*++++++++ +*++++++++ +*++++++++ +*+,14;@, mici +*++++++++ +*1;@+++++ +*1;@+++++ +*++++++++ +*++++++++ mijlocii +*+@;D1@ +*++++++++ +*++++++++ +*+@;D1@ +*++++++++ 7udete*din*8omaniafactor(eem5. 1+6 Geleorman Gimis Gulcea "alcea "aslui mari +*++++++++ +*+,14;@, +*+,14;@, +*++++++++ +*++++++++ mici +*++++++++ +*++++++++ +*++++++++ +*++++++++ +*++++++++ mijlocii +*+@;D1@ +*++++++++ +*++++++++ +*+@;D1@ +*+@;D1@ 7udete*din*8omaniafactor(eem5. 1+6 "rancea

mari +*++++++++ mici +*++++++++ mijlocii +*+@;D1@

SuprArabilafactor(eem5. 1+6 5.16 5.;6 mari ;D*4;1 1@1*;;;1 mici ;+1*,++ ,*+;D mijlocii ;1@*4;4; 1;+*,@

SuprA!ricolafactor(eem5. 1+6 5.16 5.;6 mari 4D*;;1 114*,@@4 mici ;D;*@;@+ +*D;@1 mijlocii ,*+4 ,@*++4

"ii

3*


47/57


factor(eem5. 1+6 5.16 5.;6 mari *D;@, ;;*@+ mici 1;*;@@+++ 1D*+,,1 mijlocii 1;*444,4 ;@*++D

#ivezifactor(eem5. 1+6 5.16 5.;6 mari @*@D+,14 @*;+@14 mici *@+++ *;1; mijlocii 4*@,D *,@1+

$adurifactor(eem5. 1+6 5.16 5.;6 mari ;;@*;,1 1;4*,,,@1

mici ,4*;@ @1*@@ mijlocii 1@D*;@ ;*1DD,

Apefactor(eem5. 1+6 5.16 5.;6 mari ,*4,@, *4+1+,@ mici *,@++ 4*4@4@ mijlocii 1;*;D4 ,*+4+;D

%onstructii

factor(eem5. 1+6 5.16 5.;6 mari ;1*,4;D ,*;44+4 mici 1D*4,+++ 4*@;D@+ mijlocii 1D*1;;D @*@D;;+

%ai&e%omunicatiifactor(eem5. 1+6 5.16 5.;6 mari 11*@D4; *;@,@@ mici ,*1,@+ 1*@ mijlocii *,D1@ 1*+,

3


48/57


Pre!ic ie cu CN-ț

"rem să stabilim clasa de risc a primelor jude e din setul de date. pe baza %BC:ț

/ predict(model. eem51:.-1+6

516 mari mijlocii mari mijlocii mici mici mijlocii mijlocii56 mici#evels: mari mici mijlocii&eci primele jude e din setul de date au clasele de risc: mari mijlocii mari mijlocii mici micițmijlocii mijlocii mici*

/ table(predict(model. eem5.-1+6. eem5.1+6. dnn=list(LpredictedL.LactualL

actual predicted mari mici mijlocii mari 1; + + mici + + mijlocii ; + 1

/ tab-table(predict(model. eem5.-1+6. eem5.1+6. dnn=list(LpredictedL.LactualL

/classA!reement(tab

3+


49/57


Re ele %euro%aleț

/ librar0(neuralnet

/ set*seed(1;/head(eem

/ size*sample - 1;/ trainset - eem5sample(1:nroJ(eem. size*sample.6/ trainset

3.


50/57


/ nnetWtrain-cbind(trainset. trainset>%ai&e%omunicatii==L@L/ nnetWtrain-cbind(nnetWtrain. trainset>%ai&e%omunicatii==LDL/ nnetWtrain-cbind(nnetWtrain. trainset>%ai&e%omunicatii==L,L

/ names(nnetWtrain5116-L%lasaL/ names(nnetWtrain51;6-L%lasa@L/ names(nnetWtrain

/ nn-neuralnet(%lasaU%lasa@TSuprArabilaUSuprA!ricolaU"iiU#iveziU$aduriUApeU%onstructiiU%ai&e%omunicatii. data=nnetWtrain. hidden=c(./ nn

%all: neuralnet(formula = %lasa U %lasa@ T SuprArabila U SuprA!ricola U "ii U #ivezi U$aduri U Ape U %onstructii U %ai&e%omunicatii. data = nnetWtrain. hidden = c(.

45


51/57


1 repetition Jas calculated*


52/57


/ predictie- compute(nn. eem15-6>net*result/ maid-function(ar!umentXreturn(Jhich(ar!ument==ma(ar!umentY

/ id- appl0(predictie. c(1. maid/id

516 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

/ prediction - c(L%lasaL. L%lasa@L5id6/ prediction

516 2%lasa2 2%lasa2 2%lasa2 2%lasa2 2%lasa2 2%lasa2 2%lasa2 2%lasa2 2%lasa22%lasa2 2%lasa2 2%lasa2 2%lasa2 2%lasa2 2%lasa2 2%lasa2 2%lasa2516 2%lasa2 2%lasa2 2%lasa2 2%lasa2 2%lasa2 2%lasa2 2%lasa2 2%lasa2 2%lasa22%lasa2 2%lasa2 2%lasa2 2%lasa2 2%lasa2 2%lasa2 2%lasa2 2%lasa25@6 2%lasa2 2%lasa2 2%lasa2 2%lasa2 2%lasa2 2%lasa2 2%lasa2

42


53/57


/ table(prediction. eem>'arimi

Se afi ează matricea de confuzie:ș

prediction 4*4 4* @*;, D* D*D1 D*D D*, ,*+; ,*1@ ,*41 ,*1 ,* *14 *; *4 *@ *@D

*DD *,; *,, *, * *+D *4 *4D *D1 1+*;4 1+*; 1+* 1+*@4 %lasa 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 11 1 1 1 1 1 prediction 1+*D@ 1+*D 1+*1 11*;1 11*4 1;*@, 1*+@ 1*@4 14*; 14*, 1* %lasa 1 1 1 1 1 1 1 1 1 1 1

/tab-table(prediction. eem>'arimi

/ librar0(e1+,1

/ classA!reement(tab>dia!516 +*+;4+;4

>?appa516 +

>rand

516 +

>crand516 +

4/


54/57


SVM (Ma ini cu suport vectorial)ș

/ eem-read*csv(2%:3vectori*csv2

/ eem

SuprArabila Ape 'arimi1 +*; 1*D4 mari; *@ ,*1+ mijlocii 1;*@, *D mari4 1*+, @* mijlocii@ ;;*, D*@; miciD 1;+*@D @*+ mici

, 1;*@+ D*; mijlocii 1;+*@ @*, mijlocii *1@ ;*, mici1+ ,*4@ @*+, mari11 ;;+*+ D* mari1; 11*@+ @* mijlocii1 1D* 14*D mari14 ;*,4 1*+ mijlocii1@ ;@D*1+ 1*11 mijlocii1D 1D*1 1+*D; mijlocii

1, 1,*@ 1;*; mari1 ;1*,D *;@ mijlocii1 @+*D ;* mijlocii;+ ;@,*,; 1+*,1 mijlocii;1 44*1+ 4*;+ mari;; ;;* 1*; mici; ;4*@, 4D*1 mari;4 14*, 1* mijlocii;@ 1,*1 *41 mari;D 41+*@1 ;,*;, mijlocii;, 1,@*4 1+* mici; ;@*, 14*1+ mici; @;*1@ 1*+ mici+ 14*;@ *1 mijlocii1 4@4*4 1@*+1 mijlocii; *+ @*11 mici 4*@D ;+* mari

43


55/57


4 *;4 4*4 mijlocii@ 1,*1 1*@+ mijlociiD +*4 1,*, mijlocii, D*D 1;*@+ mijlocii @+*D 1* mari

1;*D *4 mari4+ ,*D @*+ mari41 @1*4, 1@*; mari

/ names(eem516 2SuprArabila2 2Ape2 2'arimi2

44


56/57


P Z "ectorii suportH Z restul/ inde-1:nroJ(eem/ inde

516 1 ; 4 @ D , 1+ 11 1; 1 14 1@ 1D 1, 1 1 ;+ ;1 ;; ; ;4 ;@5;D6 ;D ;, ; ; + 1 ; 4 @ D , 4+ 41 4; 4 44 4@ 4D 4, 4 4 @+5@16 @1 @; @ @4 @@ @D @, @ @ D+ D1 D; D D4 D@ DD D, D D ,+ ,1 ,; , ,4 ,@5,D6 ,D ,, , , + 1 ; 4 @ D , + 1

/ testinde-sample(inde. trunc(len!th(inde3/ testinde

516 1; , D+ D4 DD 4 4 ,+ @; 4, @ 1 ,, , ,4 D; 1+ D, 1 @, 1 ,5;D6 1 ,@ ; ,1

/ testset-eem5testinde.6

4*


57/57


/ testset

> 6ra%:e6?exe?6e:6%@ex,)> @e&1?:v(Mar%%-,@a6a86ra%:e6'> #&6(@e&1, exe'

inteligenta computationala-programare in r

Documents