# 1. 데이터 불러오기
cre <- read.csv("c:\\datafile\\credit.csv", stringsAsFactors=TRUE)
head(cre)
# 2. 데이터 관찰하기
dim(cre)
str(cre)
# 3. 훈련과 테스트 분할하기
library(caret)
set.seed(1)
k <- createDataPartition(cre$default, p=0.8, list=F) # 훈련 데이터 80%
train_data <- cre[ k,]
test_data <- cre[-k,]
# 4. 모델 훈련하기
library(e1071)
model <- naiveBayes(default ~ . , data=train_data, laplace=0.001)
# 5. 테스트 데이터 예측하기
result <- predict(model,test_data[,-17]) # 정답 빼고 넣어줍니다.
# 6. 모델 평가하기
library(gmodels)
sum(result == test_data[ , 17] ) / length( test_data[ , 17 ]) * 100
CrossTable(x=result, y=test_data[ , 17], chisq=TRUE )
# 7. 다른 성능 척도 구하기
actual_type <- test_data[,17] #테스트 데이터의 실제값
predict_type <- result #테스트 데이터의 예측값
positive_value <- 'yes' # 관심범주(yes)
negative_value <- 'no'# 관심범주(no)
# 정확도
library(gmodels)
g <-CrossTable( actual_type, predict_type )
x <- sum(g$prop.tbl *diag(2)) #정확도 확인하는 코드
x
# 카파통계량
#install.packages("vcd")
library(vcd)
table(actual_type,predict_type)
kappa(table(actual_type, predict_type))
# 민감도
#install.packages("caret")
library(caret)
sensitivity(predict_type, actual_type, positive=positive_value)
# 특이도
specificity(predict_type, actual_type, negative=negative_value)
# 정밀도
posPredValue(predict_type, actual_type, positive=positive_value)
# 재현율
sensitivity( predict_type, actual_type, positive=positive_value)
# F1 score 구하기
library(MLmetrics)
F1_Score( actual_type, predict_type, positive = positive_value)