yumaueno

library(randomForest)
library(rpart)
library(kernlab)
library(nnet)

data<-iris
ndata<-nrow(data)
ridx<-sample(ndata,ndata*0.5)
data.learn<-data[ridx,]
data.test<-data[-ridx,]

yumaueno

data<-iris
data_train<-data[,-5]#5列目はラベルなので削除
km<-kmeans(data_train,3)
km$cluster
table(data[,5],km$cluster)#本物のラベルとグループ分けを比較

# ----xmeans------
xm<-xmeans(data_train,3)
table(data[,5],xm$cluster)#本物のラベルとグループ分けを比較

yumaueno

##様々な手法で予測精度の比較を行う##
##randomForest,SVM,ナイーブベイズ，ニューラルネット
library(xgboost)
library(caret)
library(Matrix)
library(kernlab)
library(randomForest)
library(e1071)
library(nnet)
library(ggplot2)

yumaueno

library(MASS)
seiseki<-read.csv('seiseki.csv')
seiseki<-seiseki[c(1:30),]
seiseki.ca<-corresp(seiseki,nf=2)
biplot(seiseki.ca)

yumaueno

library(conjoint)
data(tea)#サンプルデータ
#コンジョイント分析用のデータ
print(tprof) #各プロファイルの表示
print(tlevn) #各水準
head(tprefm) #効用データ(100人分)
Conjoint(tprefm, tprof, tlevn) #コンジョイント分析

yumaueno

#!/usr/bin/python3
# -*- coding: utf-8 -*-
#ライブラリーインポート
import requests 
from bs4 import BeautifulSoup
from time import sleep

#スクレイピング
class Scr():
    def __init__(self, urls):

yumaueno

import requests
from bs4 import BeautifulSoup
import sys
import MeCab
from time import sleep
import numpy as np
from sklearn.feature_extraction.text import TfidfVectorizer

##関数定義
# Step1：URLからテキスト情報をスクレイピング

yumaueno

import sqlite3

dbname = 'trains.db'

conn=sqlite3.connect(dbname)
c = conn.cursor()

# executeメソッドでSQL文を実行する
create_table = 'create table toukeilab (id value,name verchar)'
c.execute(create_table)

yumaueno

import requests
from bs4 import BeautifulSoup
import sys
import MeCab
from time import sleep
import numpy as np
from sklearn.feature_extraction.text import TfidfVectorizer
import sqlite3

yumaueno

#!/usr/bin/python3
# -*- coding: utf-8 -*-
#ライブラリーインポート
import requests
from bs4 import BeautifulSoup
import sys
import MeCab
from time import sleep
import numpy as np
from sklearn.feature_extraction.text import TfidfVectorizer