r语言对泰坦尼克号数据集做朴素贝叶斯分类模型

好的，下面是一个简单的例子，使用朴素贝叶斯分类模型对泰坦尼克号数据集进行分类。

首先，下载并加载数据集：

library(readr)
titanic <- read_csv("https://web.stanford.edu/class/archive/cs/cs109/cs109.1166/stuff/titanic.csv")

接下来，我们需要将数据集拆分为训练集和测试集：

library(caret)
set.seed(123)
trainIndex <- createDataPartition(titanic$Survived, p = 0.7, list = FALSE)
train <- titanic[trainIndex, ]
test <- titanic[-trainIndex, ]

然后，我们需要将数据集转换为适合朴素贝叶斯分类模型的格式。在本例中，我们将使用“Survived”列作为响应变量，其他列作为预测变量。

library(dplyr)
library(tidyr)
library(reshape2)

train_nb <- train %>% 
  select(-PassengerId, -Name, -Ticket, -Cabin) %>% 
  mutate_if(is.character, as.factor) %>% 
  gather(key = "variable", value = "value", -Survived) %>% 
  dcast(Survived ~ variable + value, fun.aggregate = length) %>% 
  replace(is.na(.), 0)

test_nb <- test %>% 
  select(-PassengerId, -Name, -Ticket, -Cabin) %>% 
  mutate_if(is.character, as.factor) %>% 
  gather(key = "variable", value = "value", -Survived) %>% 
  dcast(Survived ~ variable + value, fun.aggregate = length) %>% 
  replace(is.na(.), 0)

现在，我们可以使用朴素贝叶斯分类模型对测试集进行分类：

library(e1071)
nb_model <- naiveBayes(Survived ~ ., data = train_nb)
nb_pred <- predict(nb_model, newdata = test_nb[,-1])

最后，我们可以使用混淆矩阵来评估模型的性能：

library(caret)
confusionMatrix(nb_pred, test_nb$Survived)

这就是一个简单的朴素贝叶斯分类模型的例子，用于对泰坦尼克号数据集进行分类。当然，这只是一个入门级别的实例，你可以根据自己的需要进行更深入的调整和改进。