MACHINE_LEARNING_IN_R

MC_R

## MACHINE LEARNING IN R
## INDEX
## 1. KNN
## 2. 나이브 베이즈
## 3. 의사결정 트리
## 4. 서포트 벡터 머신
## 5. 회귀분석



################################################################################################################

## 전체 인덱스
machine_learning <- function() {
  ml_cho<-menu(c("knn 알고리즘",
                 "나이브 베이즈",
                 "의사 결정트리",
                 "서포트 벡터 머신",
                 "회귀 분석"), title="Do you want this?")
  if (ml_cho == 1){
    knn_fun()
  }
  
  if (ml_cho == 2){
    ##Naive_fun()
  }
  
  if (ml_cho == 3){
    
    ml_cho2 <- menu(c("정보획득량 출력하면 1번을", 
                      "의사결정 트리로 시각화 하려면 2번", 
                      "규칙기반의 리퍼 알고리즘을 사용하려면 3번"))
    if (ml_cho2 == 1){
      #information_fun()
    }
    else if ( ml_cho2 == 2){
      #decision_fun()
    }
    else if (ml_cho2 == 3){
      #riper_
    }
    
    
  }
  
}


##################################################################################################################


################################ 1. KNN ########################################################################## 

knn_fun <- function(){
  library(data.table)
  library(class)
  
  input_table <- readline('csv파일을 입력하세요. ex) emp.csv : ')
  input_header <- readline('컬럼명이 있습니까? ex)T OR F : ')
  input_label_num <- readline('라벨이 위치한 번호을 입력하세요. ex)N (N>=1) : ')
  input_rm_num <- readline('제거할 컬럼 위치의 번호를 입력하세요. ex) n,n,n ... (n>=1) ,없으면 0: ')
  
  ### 헤더 유무 검사
  if (input_header == 'T'){
    table_name <- read.csv(input_table, stringsAsFactors = F, header=T) 
  }
  else {
    table_name <- read.csv(input_table, stringsAsFactors = F, header=F)
  }
  
  ### shuffle 기능 추가
  table_name <- table_name[sample(nrow(table_name)), ]
  
  ### na값 제거
  table_name <- na.omit(table_name)
  
  ### 라벨 위치를 정수형으로 변경(추후 사용을 위해)
  input_label_num <- as.integer(input_label_num)
  
  ### 제거할 컬럼 제거
  split_num <- as.integer(unlist(strsplit(input_rm_num, ',')))
  split_num <- sort(split_num, decreasing = T) 
  
  cnt <- 0
  
  
  if ( as.integer(split_num)== 0 )
  {
    table2 <- table_name
  }
  else
  {
    for(i in split_num){
      table_name <- table_name[,-as.integer(i)]
      
      cnt <- sum(ifelse(as.integer(split_num) < input_label_num, 1, 0))
      
    }
  }
  
  ### 컬럼을 제거하고 실제 라벨 위치
  label_loc <- input_label_num - cnt
  
  ### 라벨을 factor로 변경
  label_tmp <- factor(table_name[,label_loc])
  
  
  ### 라벨을 가장 마지막 컬럼으로 이동
  table2 <- table_name[,-label_loc]
  table2$label <- label_tmp
  
  ### 정규화 함수
  normalize <- function(x){
    return((x-min(x))/(max(x)-min(x)))
  }
  
  
  ### 정규화 데이터 삽입
  table2[,1:(ncol(table2)-1)] <- as.data.frame(lapply(table2[,1:(ncol(table2)-1)],normalize))
  
  
  ### 데이터 나누기
  mm <- round(nrow(table2)*2/3)
  
  ### 데이터 설정
  train_data <- table2[1:mm,1:(ncol(table2)-1)]
  test_data <- table2[(mm+1):nrow(table2), 1:(ncol(table2)-1)]
  
  
  train_label <- table2[1:mm,'label']
  test_label <- table2[(mm+1):nrow(table2),'label']
  ## k값을 훈련데이터의 건수의 제곱근으로 취하는 방법
  k_n <- round( sqrt( nrow(train_data) ) )
  ###knn 결과 확인
  result <- knn(train = train_data, test = test_data, cl = train_label, k=k_n)
  round(prop.table(table(ifelse(test_label==result,'o','x')))*100,1)
}




#####################################################################################################################


#####################################################################################################################


############### 3. DECISION TREE ####################################################################################


## ■ 규칙 기반 결정트리  실습 

##1. 버섯 데이터를 로드 한다.

mushroom <- read.csv("mushroom.csv", header=F,
                     stringsAsFactors=F)

mushroom[which(mushroom$V12=='?'), 12] <- NA 
for (i in (15:23))  {
  
  mushroom[which(mushroom[, i] ==''), i] <- NA
  
}


for ( i in 1:23) {
  
  mushroom[,i] <- factor(mushroom[,i])  
  
}


## 5. mushroom 데이터를 훈련 데이터와 테스트 데이터로
## 나눈다 ( 75% 는 훈련 데이터, 25% 는 테스트 데이터)

set.seed(1)

dim(mushroom)

train_cnt <- round(0.75*dim(mushroom)[1])

train_index <- sample(1:dim(mushroom)[1],train_cnt,
                      replace=F)

mushroom_train <- mushroom[train_index, ] 
mushroom_test  <- mushroom[-train_index, ]


## 6. 분류한다


model1 <- JRip(V1~., data=mushroom_train, na.action = na.pass)
model1
summary(model1)




## 7. 결과를 확인한다.

result1 <- predict(model1, mushroom_test[ ,-1] )
library(gmodels)
CrossTable(result1, mushroom_test[ , 1] )