Re: 오늘의 마지막 문제. 콘크리트 데이터에 대한 모델을 3개를 만들고 다음과 같이 표로 정리하시오 !

[19기 경진우]

< 회귀 트리 >

# 1. 데이터 생성
con <- read.csv("c:\\data\\concrete.csv", header=T)
head(con)

# 2. 결측치 확인
colSums( is.na(con) )

# 3. 훈련 데이터와 테스트 데이터 분리
library(caret)
set.seed(1)
train_num <- createDataPartition( con$strength, p=0.9, list=F )

train_data <- con[ train_num, ]
test_data <- con[ train_num, ]

nrow( train_data ) 
nrow( test_data )

# 4. 훈련 데이터로 모델 생성
install.packages("rpart")
library(rpart)

model <- rpart( strength ~ ., data=train_data )
model

# 5. 훈련 된 모델로 테스트 데이터 예측
result <- predict( model, test_data[  , -9 ] )
result

# 6. 모델 성능 평가
cor( result, test_data[  , 9] )

< 모델 트리 >
# 1. 모델 성능 향상 (회귀 트리 -> 모델 트리)
install.packages("Cubist")
library(Cubist)

model2 <- cubist( x=train_data[  , -9 ], y=train_data[  , 9 ])
model2

# 2. 모델 예측
result2 <- predict( model2, test_data[  , -9 ])
result2

# 3. 성능 확인
cor( result2, test_data[  , 9 ])



< 랜덤 포레스트 >
# 1. 랜덤 포레스트 모델 생성
library(randomForest)
set.seed(1)
model_rf <- randomForest( strength ~ ., data=train_data, 
                          ntree=500, mtry=3 )

# 2. 테스트 데이터를 예측
result_rf <- predict ( model_rf, test_data[  , -9 ])

# 3. 모델 평가
cor( result_rf, test_data[  , 9])

< 오차 >

회귀 트리

mae <- function( actual, predicted ) { mean( abs( actural - predicted) ) }

mae( test_data[ , 9], result )

모델 트리

mae <- function( actual, predicted ) { mean( abs( actural - predicted) ) }

mae( test_data[ , 9], result2 )

랜덤 포레스트

mae <- function( actual, predicted ) { mean( abs( actural - predicted) ) }

mae( test_data[ , 9], result_rf )