Ich möchte die Boundary-Decision-Funktion finden, um meine Daten zu klassifizieren. Hier ist ein Beispiel von ihnen.Grenzentscheidung mit knn-classifier
"Distance","Dihedral","Categ"
4.083,82.267,C
4.132,87.073,C
4.713,-80.999,C
3.427,-48.144,NC
3.663,96.994,C
3.99,71.919,C
3.484,78.684,C
Bis jetzt habe ich das KNN-Modell, aber ich möchte die nichtlineare Entscheidungsgrenze plotten. In den Beispielen, die ich gesucht habe, gibt es einige Variablen, von denen ich keine Ahnung habe, wo ich sie verwenden soll oder was sie bedeuten. Ich spreche von diesem Beispiel, das ich in "The Elements of Statistical Learning" Buch
library(ElemStatLearn)
require(class)
x <- mixture.example$x
g <- mixture.example$y
xnew <- mixture.example$xnew
mod15 <- knn(x, xnew, g, k=15, prob=TRUE)
prob <- attr(mod15, "prob")
prob <- ifelse(mod15=="1", prob, 1-prob)
px1 <- mixture.example$px1
px2 <- mixture.example$px2
prob15 <- matrix(prob, length(px1), length(px2))
par(mar=rep(2,4))
contour(px1, px2, prob15, levels=0.5, labels="", xlab="", ylab="", main=
"15-nearest neighbour", axes=FALSE)
points(x, col=ifelse(g==1, "coral", "cornflowerblue"))
gd <- expand.grid(x=px1, y=px2)
points(gd, pch=".", cex=1.2, col=ifelse(prob15>0.5, "coral", "cornflowerblue"))
box()
Was genau PX1 und PX2 ist gefunden? Brauche ich ähnliche Variablen für meinen speziellen Fall?
Vielen Dank für Ihre Hilfe!
Ich denke, PX1 und PX2 sind einfach Vektor das Raster für die neuen Daten, das heißt, die Punkte entlang der x- und y-Achse beschreibt, in dem Sie neue Daten haben. – Andrie