行行好吧！那位把这道题解一下！

李枫枫

7232

收藏 2007-06-04

123231.txt
大小:(5.88 KB)

马上下载

<BR>

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

全部回复

chutianshu

2007-6-4 21:02:00

爱莫能助啊,不过你观察Ca的含量大体上就能分类了!

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

frozensky

2007-6-4 23:08:00

先把数据分类，分三类，这是肯定的
然后１～３０是１类
３１～６０是２类，剩下为３类
２类和３类之间各成分均做一下均值和方差检验
然后
确认哪些因素是显著差异的，说明是导致病变的主要因素
其次再１类和２类，３类各自得主要成分比较
这样结果就可出来

个人建议还是用数据挖掘的方法比较简单，或者用判别函数。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

kuhasu

2007-6-5 15:13:00

版主！给钱！

将1-30数据作为test集，剩下的作为train集，加一列test表明是否患sars,T为真，F为假。

采用决策树、神经网络、规则归纳、自动神经网络、数据挖掘神经和MBR建模，并进行对比评分，结果如下：

	AutoNeural	AutoNeural	test	60.0	120.0	0.05	0.9999257676195994	5.3867568486274955	0.04488964040522913	0.2118717546187531	120.0	60.0	41.16977440511632	3.0	NaN	0.34308145337596935	5.0	55.0	55.0	151.16977440511633	266.35872532733185	1.03246172932027	0.5386756848627495	1.0161012397001934	0.7339452873768927		NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.9511111111111109	0.9022222222222218	0.9333333333333333
	DMNeural	DMNeural	test	60.0	NaN	0.016666666666666666	0.8105522683670617	2.962824661468493	0.024690205512237443	0.1571311729487101	120.0	60.0	11.70079524798597	1.0	60.0	0.09750662706654975	39.0	21.0	21.0	-138.4920882837795	-94.5108524771154	0.0512796576023393	0.037984931557288375	0.22645012166554318	0.19489723332384268		NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.9977777777777778	0.9955555555555555	0.9666666666666667
	Ensmbl	Ensmbl	test	60.0	NaN	NaN	NaN	0.0	0.0	0.0	120.0	NaN	0.0	60.0	0.0	0.0	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN		NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.49999999999999994	-1.1102230246251565E-16	0.0
	MBR	MBR	test	60.0	120.0	0.06666666666666667	0.75	5.5234375	0.04602864583333333	0.21454287644509043	120.0	60.0	11.875	4.0	NaN	0.09895833333333333	53.0	7.0	7.0	-129.1206496147087	-114.460237679154	0.058187156053459116	0.05210790094339623	0.24122014023182045	0.22827155088489723	PARMS	0.7081603976613265	0.273169940360943	0.341778806367716	0.28807629071859	0.579869468571803	0.28418675053061165	0.45431336814370954	0.9877777777777778	0.9755555555555555	0.9
Y	Neural	Neural	test	60.0	120.0	0.0	7.75025102265839E-4	1.2520094870169992E-5	1.0433412391808327E-7	3.2300793166435286E-4	120.0	60.0	0.024484756649973398	0.0	NaN	2.0403963874977832E-4	32.0	28.0	28.0	56.024484756649976	114.66613249886879	2.86918840774729E-7	1.9562648234640612E-7	5.356480568197079E-4	4.4229682606413323E-4		NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.9999999999999999	0.9999999999999998	1.0
	Rule	Rule	test	60.0	NaN	0.03333333333333333	NaN	NaN	NaN	NaN	120.0	NaN	6.730116670092564	2.0	60.0	0.0560843055841047	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN		NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.9966666666666665	0.993333333333333	0.9333333333333333
	Tree	Tree	test	60.0	120.0	0.05	0.9090909090909091	5.454545454545467	0.04545454545454555	0.21320071635561066	120.0	60.0	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN		NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.9499999999999998	0.8999999999999997	0.9

所以采用拟合度最好的神经网络模型，评测test数据结果如下，预测里即为你想要的结果

No.	ZN	CU	FE	CA	MG	K	NA	Warnings	Into:test	Unnormalized Into:test	Predicted:test=T	Predicted:test=F	bin_testt	Probability for level T of test	Probability of Classification	Prediction for test
1	58.2	5.42	29.7	323	138	179	513		T	T	0.999975	0.0000255	4	0.999974	0.999974	T
2	106	1.87	40.5	542	177	184	427		T	T	0.99998	0.0000201	3	0.99998	0.99998	T
3	152	0.8	12.5	1332	176	128	646		T	T	0.999962	0.0000385	9	0.999962	0.999962	T
4	85.5	1.7	3.99	503	62.3	238	762.6		T	T	0.999966	0.0000338	8	0.999966	0.999966	T
5	144	0.7	15.1	547	79.7	71	218.5		T	T	0.999982	0.0000179	2	0.999982	0.999982	T
6	85.7	1.09	4.2	790	170	45.8	257.9		T	T	0.999957	0.0000433	10	0.999957	0.999957	T
7	144	0.3	9.11	417	552	49.5	141.5		T	T	0.998539	0.0014613	10	0.998539	0.998539	T
8	170	4.16	9.32	943	260	155	680.8		T	T	0.999955	0.0000453	10	0.999955	0.999955	T
9	176	0.57	27.3	318	133	99.4	318.8		T	T	0.999981	0.0000193	3	0.999981	0.999981	T
10	192	7.06	32.9	1969	343	103	553		F	F	0.000021	0.999979	20	2.10E-05	0.999979	F
11	188	8.28	22.6	1208	231	1314	1372		T	T	0.999984	0.0000162	1	0.999984	0.999984	T
12	153	5.87	34.8	328	163	264	672.5		T	T	0.999974	0.0000264	4	0.999974	0.999974	T
13	143	2.84	15.7	265	123	73	347.5		T	T	0.999977	0.0000229	5	0.999977	0.999977	T
14	213	19.1	36.2	2220	249	62	465.8		F	F	2.34E-05	0.9999766	19	2.34E-05	0.999977	F
15	192	20.1	23.8	1606	156	40	168		F	F	0.000585	0.999415	14	5.85E-04	0.999415	F
16	171	10.5	30.5	672	145	47	330.5		T	T	0.999975	0.0000253	5	0.999975	0.999975	T
17	162	13.2	19.8	1521	166	36.2	133		F	F	0.000615	0.9993847	13	6.15E-04	0.999385	F
18	203	13	90.8	1544	162	98.9	394.5		F	F	0.000556	0.9994439	14	5.56E-04	0.999444	F
19	164	20.1	28.9	1062	161	47.3	134.5		F	F	0.015699	0.9843008	11	0.015699	0.984301	F
20	167	13.1	14.1	2278	212	36.5	96.5		F	F	0.000631	0.9993692	12	6.31E-04	0.999369	F
21	164	12.9	18.6	2993	197	65.5	237.8		F	F	0.000583	0.9994168	14	5.83E-04	0.999417	F
22	167	15	27	2056	260	44.8	72		F	F	0.000633	0.9993667	12	6.33E-04	0.999367	F
23	158	14.4	37	1025	101	180	899.5		T	T	0.99995	0.0000502	10	0.99995	0.99995	T
24	133	22.8	31.3	1633	401	228	289		F	F	0.000554	0.9994459	14	5.54E-04	0.999446	F
25	169	8	30.8	1068	99.1	53	817		T	T	0.999804	0.0001958	10	0.999804	0.999804	T
26	247	17.3	8.65	2554	241	77.5	373.5		F	F	3.03E-05	0.9999697	19	3.03E-05	0.99997	F
27	185	3.9	31.3	1211	190	134	649.8		T	T	0.999962	0.0000385	9	0.999962	0.999962	T
28	209	6.43	86.9	2157	288	74	219.8		F	F	0.000157	0.9998433	18	1.57E-04	0.999843	F
29	182	6.49	61.7	3870	432	143	367.5		F	F	0.00051	0.9994904	15	5.10E-04	0.99949	F
30	235	15.6	23.4	1806	166	68.9	188		F	F	0.00065	0.9993498	12	6.50E-04	0.99935	F