1.执行目录下的R程序：source(‘’)

2.存入文件 sink() 

p33

3.p50 attach(dataFram)  detach(dataFram)  or with(dataFram,{})不可修改值， within()可修改值

4.可以用到灵敏度分析，上次成功对下次成功的灵敏影响

5.有序变量：根据上文的输入变量描述，可以认为变量education是有序分类变量，影响大小排序为"illiterate","basic.4y","basic.6y","basic.9y","high.school","professional.course", "university.degree", 变量影响由小到大的顺序编码为1、2、3、...，。

无序变量：根据上文的输入变量描述，可以认为变量job，marital，contact，month，day_of_week为无序分类变量。需要说明的是，虽然变量month和day_of_week从时间角度是有序的，但是对于目标变量而言是无序的。对于无序分类变量，可以利用哑变量（dummy variables）进行编码。

6.table(matrx1,matrx2) 求列联表，需要1和2有同样的因子，统计因子对出现的次数，eg：  

KnnFit

 real    B  M

  B      63  1

  M      5 45

diag(CT)：取对角线元素

比较SVM和ANN和DT和knn

解释特征变量，然后分析分类，分类后可对用户单独进行聚类分析，打标签，单独分析不同类的分类预测情况，以及合并在一起后的分类预测情况

若有时间长度的数据，可更进一步分析时间长度上各数值的变化以及对结果的影响

7.rpart

使用ID3算法时候，split = “information” ，使用CART算法的时候， split = “gini”

cp是参数复杂度（complexity parameter）作为控制树规模的惩罚因子，简而言之，就是cp越大，树分裂规模（nsplit）越小。输出参数（rel error）指示了当前分类模型树与空树之间的平均偏差比值。xerror为交叉验证误差，xstd为交叉验证误差的标准差。可以看到，当nsplit为3的时候，即有四个叶子结点的树，要比nsplit为4，即五个叶子结点的树的交叉误差要小。而决策树剪枝的目的就是为了得到更小交叉误差（xerror）的树。

8.

9.R语言中已经有许多用于神经网络的package。例如nnet、AMORE以及neuralnet，nnet提供了最常见的前馈反向传播神经网络算法。AMORE包则更进一步提供了更为丰富的控制参数，并可以增加多个隐藏层。neuralnet包的改进在于提供了弹性反向传播算法和更多的**函数形式。但以上各包均围绕着BP网络，并未涉及到神经网络中的其它拓扑结构和网络模型。而新出炉的RSNNS包则在这方面有了极大的扩充。 

https://bbs.pinggu.org/forum.php?mod=viewthread&ordertype=1&tid=4156657

10.评价指标

precision: 0.588

recall: 0.490

F: 0.267

1. Sensitivity（覆盖率，True Positive Rate）=正确预测到的正例数/实际正例总数

Recall (True Positive Rate，or Sensitivity) =true positive/total actual positive=d/c+d

2. PV+ (命中率，Precision, Positive Predicted Value) =正确预测到的正例数/预测正例总数

Precision (Positive Predicted Value, PV+) =true positive/ total predicted positive=d/b+d

3. Specificity (负例的覆盖率，True Negative Rate) =正确预测到的负例个数/实际负例总数

Specificity (True Negative Rate) =true negative/total actual negative=a/a+b

> mmetric(M_dt, metric='ALIFT', D = 0.5, TC = -1, val = NULL, aggregate = "no")

      ALIFT

1 0.7531771

2 0.7735520

3 0.7737718

4 0.7875727

5 0.7742954

> mmetric(M_dt, metric='AUC')

        AUC

1 0.8375298

2 0.8526320

3 0.8543062

4 0.8655796

5 0.8531807