sze2018.R

sze2018.R

###データの読み込み
sze_row=read.csv("2018sze.csv",header = T)
sze=sze_row[,-11]

#1992年～2017年までを学習用、2018年分をテスト用とする
train=c(1:1302)
test=c(1303:1351)

#2017年でテストする場合
#train=c(1:1254)
#test=c(1255:1302)

###seedはサザエさん(3383)とする
set.seed(3383)

###decision tree with Penalty Matrix
library(rpart)
library(partykit)
oss_matr = matrix(c(0,2,1,1,0,2,2,1,0), nrow = 3, byrow = TRUE)
print(loss_matr2)
result<-rpart(X~., data = sze[train,],cp=0.01,parms = list(loss = loss_matr))

dt=predict(result,sze[test,],type = "class")
dt.tab=table(sze[test,1],dt)
dt.tab
sum(dt.tab[row(dt.tab)==col(dt.tab)])/sum(dt.tab) #識別率

#Plot result
plot(as.party(result))
printcp(result)
plotcp(result)

###randomforest with Penalty Matrix1
library(randomForest)
PenaltyMatrix <- matrix(c(0,2,1,1,0,2,2,1,0), byrow = TRUE, nrow = 3)
sze.rf=randomForest(sze[train,-1],sze[train,1],mtry=2,parms = list(loss = PenaltyMatrix), importance=T, proximity=T)
#予測
test.rf = predict(sze.rf, sze[test,-1])
rf.tab=table(sze[test,1],test.rf)
rf.tab
sum(rf.tab[row(rf.tab)==col(rf.tab)])/sum(rf.tab) #識別率

#重要度の表示
varImpPlot(sze.rf)
sze.rf$importance

###randomforest with Penalty Matrix2
library(RRF)
PenaltyMatrix <- matrix(c(0,2,1,1,0,2,2,1,0), byrow = TRUE, nrow = 3)
sze.rf=randomForest(sze[train,-1],sze[train,1],mtry=2,parms = list(loss = PenaltyMatrix), importance=T, proximity=T)
#予測
test.rf = predict(sze.rf, sze[test,-1])
rf.tab=table(sze[test,1],test.rf)
rf.tab
sum(rf.tab[row(rf.tab)==col(rf.tab)])/sum(rf.tab) #識別率

##決定境界の要約
library(RRF)
library(inTrees)
tree=RF2List(sze.rf)
exec=extractRules(tree,sze[train,-1],ntree=500)#抽出
rule=getRuleMetric(exec,sze[train,-1],sze[train,1])#集計
rule=pruneRule(rule,sze[train,-1],sze[train,1])#削除
rule=selectRuleRRF(rule,sze[train,-1],sze[train,1])#集約
learner=buildLearner(rule,sze[train,-1],sze[train,1],minFreq=0.01)#
readableRules=presentRules(learner,colnames(sze[train,-1]))# 
readableRules