用R语言回答Puromycin数据集以下问题1、数据建模 2、模型验证 3、模型评估 （1）查看预测结果 （2）查看真实结果 （3）预测结果离散化 （4）查看预测结果离散化 （5）构造混淆矩阵 （6）计算正确率 （7）输出预测正确率 4、模型优化 （1）数据清洗 （2）特征选择 （3）特征提取 （4）建立优化模型 5、模型预测 用优化后模型预测。

1、数据建模：

首先加载Puromycin数据集：

data(Puromycin)

然后将数据集分为训练集和测试集：

library(caret)
set.seed(123)
splitIndex <- createDataPartition(Puromycin$state, p = .70, list = FALSE, times = 1)
train <- Puromycin[ splitIndex,]
test  <- Puromycin[-splitIndex,]

接着建立一个逻辑回归模型：

model <- glm(state ~ conc, data = train, family = "binomial")

2、模型验证：

首先查看预测结果和真实结果：

predicted <- predict(model, newdata=test, type="response")
predicted
actual <- test$state
actual

然后将预测结果离散化：

predictedClass <- ifelse(predicted > 0.5, "Treated", "Untreated")
predictedClass

接着查看预测结果离散化：

table(predictedClass)

然后构造混淆矩阵：

library(caret)
confusionMatrix(predictedClass, actual)

计算正确率：

accuracy <- sum(predictedClass == actual)/length(actual)
accuracy

输出预测正确率：

paste("Accuracy:", round(accuracy*100,2), "%")

3、模型优化：

在模型优化前，我们先进行数据清洗：

Puromycin <- na.omit(Puromycin)

然后进行特征选择和特征提取，这里我们采用逐步回归法：

library(MASS)
stepAIC(model, direction="both")

最后建立优化模型：

model2 <- glm(state ~ conc + dur, data = train, family = "binomial")

4、模型预测：

用优化后模型预测：

predicted2 <- predict(model2, newdata=test, type="response")
predictedClass2 <- ifelse(predicted2 > 0.5, "Treated", "Untreated")
accuracy2 <- sum(predictedClass2 == actual)/length(actual)
paste("Accuracy2:", round(accuracy2*100,2), "%")