支持向量机案例二 例6.3
- 进入算盘-应用开发，点击导入-选择下载好的流程包完成导入。
- 进入项目，点击运行-调试，等待项目开始运行。
- 选中机器学习组件，在参数设置面板中，点击配置-新窗口打开。
- 在组件列表-数据集中拖出文件上传，在参数设置面板中，上传iris数据集。
- 在组件列表-数据预处理中拖出拆分训练集，在参数设置面板中设置训练集比例为0.7，用于构建分类器模型，其余数据将用作待预测数据。
- 在组件列表-算法模型-分类中拖出支持向量分类，在参数设置面板中设置特征字段为“sepal_length,sepal_width,petal_length,petal_width”，设置标签字段为“class”，设置核为“linear”，最大迭代次数为1。
- 在组件列表-算法模型-分类中拖出支持向量分类，在参数设置面板中设置特征字段为“sepal_length,sepal_width,petal_length,petal_width”，设置标签字段为“class”，设置核为“rbf”，最大迭代次数为1。
- 在组件列表-算法模型-分类中拖出决策树分类，在参数设置面板中设置特征字段为“sepal_length,sepal_width,petal_length,petal_width”，设置标签字段为“class”，设置分裂准则为“entropy”，最大树深度为10，分裂最小样本数为2，叶节点最小样本数为1，叶节点最小权重和为0.0000001，最大叶节点数为2，最小不纯度下降量为1，以实现C4.5算法。
C4.5算法是ID3算法的延伸，C4.5算法对ID3算法主要做了一下几点改进：
（1）通过信息增益率选择分裂属性，克服了ID3算法中通过信息增益倾向于选择拥有多个属性值的属性作为分
裂属性的不足；
（2）能够处理离散型和连续型的属性类型，即将连续型的属性进行离散化处理；
（3）构造决策树之后进行剪枝操作；
（4）能够处理具有缺失属性值的训练数据。
在组件列表-模型评估中拖出三个二分类模型评估，设置评估指标数值输出为“accuracy_score”，设置标签字段为“class”，预测字段为“prediction”。
各组件接线如下图所示
- 点击部署。分别右键点击三个二分类模型评估，单击查看评估结果（数值）即可查看评估结果。
