R语言编写自定义函数计算分类模型评估指标：准确度、特异度、敏感度、PPV、NPV、数据数据为模型预测后的混淆矩阵、比较多个分类模型分类性能（逻辑回归、决策树、随机森林、支持向量机）

R语言编写自定义函数计算分类模型评估指标：准确度、特异度、敏感度、PPV、NPV、数据数据为模型预测后的混淆矩阵、比较多个分类模型分类性能（逻辑回归、决策树、随机森林、支持向量机）

目录

R语言编写自定义函数计算分类模型评估指标：准确度、特异度、敏感度、PPV、NPV、数据数据为模型预测后的混淆矩阵、比较多个分类模型分类性能（逻辑回归、决策树、随机森林、支持向量机）

 #分类模型（classification）

#R语言加载UCI乳腺癌数据用于分类模型构建（uci dataset for classification)、并进行数据划分、数据划分为训练集和验证集（training sample (70%) and a validation sample (30%)）

#R语言使用R基础安装中的glm函数构建乳腺癌二分类预测逻辑回归模型(Logistic regression)、分类预测器（分类变量）被自动替换为一组虚拟编码变量、summary函数查看检查模型、使用table函数计算混淆矩阵评估分类模型性能

#R语言构建决策树模型的算法步骤、流程（decision tree algorithm tree build process or steps）

#R语言使用rpart包构建决策树模型、使用prune函数进行树的剪枝、使用10折交叉验证选择预测误差最低的树来预防过拟合、plotcp可视化决策树复杂度、rpart.plot包可视化最终决策树、使用table函数计算混淆矩阵评估分类模型性能

#R语言使用rpart包构建决策树模型、为了选择合适的树大小(复杂度)检查决策树对象的cptable内容（树的大小由分裂次数定义、预测误差）、使用plotcp函数可视化决策树复杂度参数与交叉验证错误的关系、选择合适的树大小（复杂度）

#R语言使用rpart包构建决策树模型、使用prune函数按照指定复杂度对决策树剪枝、使用rpart.plot包中的prp函数可视化训练、剪枝好的决策树、type参数、extra参数、fallen.leaves参数控制决策树精细化显示

#R语言使用party包中的ctree函数构建条件推理决策树的流程和步骤（Conditional inference trees）、条件推理决策树是传统决策树的一个重要变体、条件推理树的分裂是基于显著性测试而不是熵/纯度/同质性度量来选择分裂

#R语言使用party包中的ctree函数构建条件推理决策树（Conditional inference trees）、使用plot函数可视化训练好的条件推理决策树、条件推理决策树的叶子节点的阴影区域表示的是阳性样本的比例

#R语言使用randomForest包中的randomForest函数构建随机森林模型的步骤和流程（Random forests）、随机森林算法包括抽样样本（观察）和变量来创建大量的决策树（多个树，构成了森林，而且通过样本抽样和变量抽样，让多个树尽量不同）

#R语言使用randomForest包中的randomForest函数构建随机森林模型（Random forests）、使用importance函数查看特征重要度、使用table函数计算混淆矩阵评估分类模型性能、包外错误估计OOB（out-of-bag error estimate）

#R语言使用party包中的cforest函数基于条件推理决策树（Conditional inference trees）构建随机森林、使用varimp函数查看特征重要度、使用table函数计算混淆矩阵评估分类模型性能

#R语言支持向量机SVM(Support vector machines)

#R语言使用e1071包中的svm函数构建支持向量机SVM模型(Support vector machines)、默认使用RBF核函数、使用table函数计算混淆矩阵评估分类模型性能

#R语言使用e1071包中的svm函数构建支持向量机SVM模型、使用tune.svm函数基于网格搜索(10折交叉验证)对RBF核函数的gamma参数和cost参数进行参数寻优、使用最优参数构建最终模型、使用table函数计算混淆矩阵评估分类模型性能