用R语言写出第2、3步的示例代码

第2步示例代码：

# 导入数据集
data <- read.csv("path/to/your/data.csv")

# 筛选所需变量
selected_vars <- c("var1", "var2", "var3")
data_selected <- data[, selected_vars]

# 数据标准化
data_scaled <- scale(data_selected)

# 进行 PCA
pca_result <- prcomp(data_scaled)

# 查看 PCA 结果
summary(pca_result)

第3步示例代码：

# 导入数据集
data <- read.csv("path/to/your/data.csv")

# 设置分类变量和预测变量
category_var <- "category"
predict_var <- "target"

# 将分类变量转化为因子
data[[category_var]] <- as.factor(data[[category_var]])

# 划分训练集和测试集
library(caTools)
set.seed(123)
split <- sample.split(data[[predict_var]], SplitRatio = 0.7)
train_data <- data[split, ]
test_data <- data[!split, ]

# 构建决策树模型
library(rpart)
tree_model <- rpart(as.formula(paste(predict_var, "~ .")), data = train_data, method = "class")

# 查看决策树模型
printcp(tree_model)

# 进行预测
prediction <- predict(tree_model, newdata = test_data, type = "class")

# 计算准确率
accuracy <- sum(prediction == test_data[[predict_var]]) / nrow(test_data)
print(paste("Accuracy:", accuracy))