ML3.1 介绍e1071包实施朴素贝叶斯分类的函数，本例使用klaR包中的NaiveBayes函数，因为该函数较之前者增加了两个功能，一个是可以输入先验概率，另一个是在正态分布基础上增加了核平滑密度函数。为了避免过度拟合，在训练时还要将数据分割进行多重检验，所以我们还使用了caret包的一些函数进行配合。
caret：：train
语法： train(form, data, ..., weights, subset, na.action = na.fail, contrasts = NULL)
- 安装程序包
install.packages("caret") install.packages("mlbench") install.package("klaR") - 创建训练集和测试集
library(lattice) library(ggplot2) library(caret) library(mlbench) library(MASS) library(klaR) # 使用朴素贝叶斯建模，这里使用了三次10折交叉检验得到30个结果 fitControl <- trainControl(method = "repeatedcv", number = 10, repeats = 3,returnResamp = "all") model1 <- train(Species~., data = iris.train,method='nb',trControl = fitControl)
- 加载包 使用朴素贝叶斯建模
fitControl <- trainControl(method = "repeatedcv", number = 10, repeats = 3,returnResamp = "all") model1 <- train(Species~., data = iris.train,method='nb',trControl = fitControl) - 返回测试数据的混淆矩阵
> pred3 <- predict(model1, iris.test, type="raw") > table(pred3,iris.test$Species) pred3 setosa versicolor virginica setosa 10 0 0 versicolor 0 18 2 virginica 0 0 20
