R 神经网络 - 鸢尾花数据集混淆矩阵答案

【问题标题】：R Neural Networks - Iris Dataset Confusion MatrixR 神经网络 - 鸢尾花数据集混淆矩阵
【发布时间】：2015-06-12 16:36:24
【问题描述】：

我不知道如何计算以下内容： 1. 它预测了哪 30 个元素？ 2. 我无法让 ConfusionMatrix 工作。

任何帮助表示赞赏。谢谢。

library(nnet)
attach(iris)

library(caret)
set.seed(3456)
trainIndex <- createDataPartition(iris$Species, p = .8,
                               list = F,
                               times = 1)

irisTrain <- iris[ trainIndex,]
irisTest  <- iris[-trainIndex,]

irispred <- nnet(Species ~ ., data=irisTrain, size=10)
predicted <- predict(irispred,irisTest,type="class")

输出：

预测

预测 [1] "setosa" "setosa" "setosa" "setosa" "setosa" "setosa" "setosa"
[8] "setosa" "setosa" "setosa" "versicolor" "versicolor" "versicolor" "versicolor" [15] "versicolor" "versicolor" "virginica" "versicolor" "versicolor" "versicolor" "virginica" [22] “处女座” “处女座” “处女座” “处女座” “处女座” “处女座” “处女座” [29] “处女座”“处女座”

混淆矩阵错误，不确定第二个参数应该是什么：

confusionMatrix(预测的, iris$Species) 表中的错误（数据，参考，dnn = dnn，...）：所有参数的长度必须相同

confusionMatrix（预测，irisTest，正=1） sort.list(y) 中的错误：对于“sort.list”，“x”必须是原子的您是否在列表中调用了“排序”？混淆矩阵（预测，虹膜，正= 1） sort.list(y) 中的错误：对于“sort.list”，“x”必须是原子的您是否在列表中调用了“排序”？

【问题讨论】：

标签： r

【解决方案1】：

第二个参数应该是irisTest$Species 中的引用类。 irisTest 是包含所有其他列的完整测试数据，iris$Species 是整个数据的物种，而不仅仅是测试集。

> confusionMatrix(data = predicted, reference = irisTest$Species)
Confusion Matrix and Statistics

            Reference
Prediction   setosa versicolor virginica
  setosa         10          0         0
  versicolor      0          9         0
  virginica       0          1        10

Overall Statistics

               Accuracy : 0.9667           

[...]

【讨论】：

非常感谢。我想我们无法分辨它预测的是哪 30 个物种？我想在预测集和测试集之间进行比较，但似乎看不到任何匹配项，还是我比较错误。
当您打印predicted 时，预测的类已经在您的答案中。然后你只需要将它们与irisTest$Species 进行比较。例如data.frame(predicted, irisTest$Species)
感谢您的帮助。非常感激。您是否尝试过使用 to plot.nnet ？ --- 我不知道如何解决这个错误：plot.nnet(predicted) if (is.na(hid.struct[i + 1])) break 中的错误：参数长度为零另外：警告消息：在 is.na(hid.struct[i + 1]) 中：is.na() 应用于 'NULL' 类型的非（列表或向量）
我不知道plot.nnet 函数来自哪里。如果它来自this blog post，您需要按照那里描述的步骤从 Github 安装该功能。在任何情况下，您都必须绘制 模型对象 irispred 而不是数字向量 predicted。
PS：我的意思是你必须按照那里描述的程序来绘制模型（因为你显然已经安装了这个函数）。