R语言中的因子确实不好理解，很多人都这么觉得。在R语言中，因子（factor）表示的是一个符号、一个编号或者一个等级，即，一个点。例如，人的个数可以是1，2，3，4......那么因子就包括，1，2，3，4.....还有统计量的水平的时候用到的高、中、低，也是因子，因为他是一个点。与之区别的向量，是一个连续性的值，例如，数值中有1，1.1，1.2......可以作为数值来计算，而因子则不可以。如果用我自己的理解，简单通俗来讲：因子是一个点，向量是一个有方向的范围。在R中，如果把数字作为因子，那么在导入数据之后，需要将向量转换为因子（factor），而因子在整个计算过程中不再作为数值，而是一个"符号"而已。因子的水平就是因子的所有不相同的符号的集合。

创建因子的函数介绍如下：

factor(x, levels = sort(unique(x), na.last = TRUE),

labels = levels, exclude = NA, ordered = is.ordered(x))

levels 用来指定因子可能的水平（缺省值是向量x中互异的值）；labels

用来指定水平的名字；exclude表示从向量x中剔除的水平值；ordered是

一个逻辑型选项用来指定因子的水平是否有次序。回想数值型或字符型

的x。

>factor(1:3)

[1] 1 2 3

Levels: 1 2 3

>factor(1:3, levels=1:5)

[1] 1 2 3

Levels: 1 2 3 4 5

>factor(1:3, labels=c("A", "B", "C"))

[1] A B C

Levels: A B C

>factor(1:5, exclude=4)

[1] 1 2 3 NA 5

Levels: 1 2 3 5

函数levels用来提取一个因子中可能的水平值：

>f <- factor(c(2, 4), levels=2:5)

>f

[1] 2 4

Levels: 2 3 4 5

>levels(f)

[1] "2" "3" "4" "5"

因子用来存储类别变量(categorical variables)和有序变量，这类变量不能用来计算而只能用来分类或者计数。因子表示分类变量，有序因子表示有序变量。生成因子数据对象的函数是factor(),语法是factor(data, levels, labels, ...)，其中data是数据，levels是因子水平向量，labels是因子的标签向量。

1、创建一个因子。

例1：

>colour <- c('G', 'G', 'R', 'Y', 'G', 'Y', 'Y', 'R', 'Y')

>col <- factor(colour)

>col1 <- factor(colour, levels = c('G', 'R', 'Y'), labels = c('Green', 'Red', 'Yellow')) #labels的内容替换colour相应位置对应levels的内容

>col2 <- factor(colour, levels = c('G', 'R', 'Y'), labels = c('1', '2', '3'))

>col_vec <- as.vector(col2) #转换成字符向量

>col_num <- as.numeric(col2) #转换成数字向量

>col3 <- factor(colour, levels = c('G', 'R'))

2、创建一个有序因子。

例1：

>score <- c('A', 'B', 'A', 'C', 'B')

>score1 <- ordered(score, levels = c('C', 'B', 'A'))

>score1

[1] A B A C B

Levels: C <B <A

3、用cut()函数将一般的数据转换成因子或有序因子。

例1：

>exam <- c(98, 97, 52, 88, 85, 75, 97, 92, 77, 74, 70, 63, 97, 71, 98, 

65, 79, 74, 58, 59, 60, 63, 87, 82, 95, 75, 79, 96, 50, 88)

>exam1 <- cut(exam, breaks = 3) #切分成3组

>exam1

[1] (82,98] (82,98] (50,66] (82,98] (82,98] (66,82] (82,98] (82,98] (66,82]

[10] (66,82] (66,82] (50,66] (82,98] (66,82] (82,98] (50,66] (66,82] (66,82]

[19] (50,66] (50,66] (50,66] (50,66] (82,98] (66,82] (82,98] (66,82] (66,82]

[28] (82,98] (50,66] (82,98]

Levels: (50,66] (66,82] (82,98]

>exam2 <- cut(exam, breaks = c(0, 59, 69, 79, 89, 100)) #切分成自己设置的组

>exam2

[1] (89,100] (89,100] (0,59]   (79,89]  (79,89]  (69,79]  (89,100] (89,100]

[9] (69,79]  (69,79]  (69,79]  (59,69]  (89,100] (69,79]  (89,100] (59,69]

[17] (69,79]  (69,79]  (0,59]   (0,59]   (59,69]  (59,69]  (79,89]  (79,89]

[25] (89,100] (69,79]  (69,79]  (89,100] (0,59]   (79,89]

Levels: (0,59] (59,69] (69,79] (79,89] (89,100]

>attr(exam1, 'levels')

[1] "(50,66]" "(66,82]" "(82,98]"

>attr(exam2, 'levels')

[1] "(0,59]"   "(59,69]"  "(69,79]"  "(79,89]"  "(89,100]"

>attr(exam2, 'class')

[1] "factor"

#一个有序因子

>x <- factor(rep(1:5,3))

>ordered(x,labels = c('a1','a2','a3','a4','a5'))

[1] a1 a2 a3 a4 a5 a1 a2 a3 a4 a5 a1 a2 a3 a4 a5

Levels: a1 <a2 <a3 <a4 <a5

TP (true positives)：正类被判断为正类；

FP (false positives)：负类被判断为负类；

FN (false negatives)：正类被判断为负类；

TN (true negatives)：负类被判断为负类；

精确率（precision）： 是针对我们预测结果而言的，它表示的是预测为正的样本中有多少是真正的正样本。那么预测为正就有两种可能了，一种就是把正类预测为正类(TP)，另一种就是把负类预测为正类(FP)；

召回率（recall）： 表示的是样本中的正例有多少被预测正确了。那也有两种可能，一种是把原来的正类预测成正类(TP)，另一种就是把原来的正类预测为负类(FN)；

准确率（accuracy）： 所有的预测正确（正类负类）的占总的比重。

F-score值： F1值为算数平均数除以几何平均数，且越大越好，将Precision和Recall的上述公式带入会发现，当F1值小时，True Positive相对增加，而false相对减少，即Precision和Recall都相对增加，即F1对Precision和Recall都进行了加权。

1. 准确率

虽然准确率能够判断总的正确率，但是在样本不均衡的情况下，并不能作为很好的指标来衡量结果。

比如在样本集中，正样本有90个，负样本有10个，样本是严重的不均衡。对于这种情况，我们只需要将全部样本预测为正样本，就能得到90%的准确率，但是完全没有意义。对于新数据，完全体现不出准确率。因此，在样本不平衡的情况下，得到的高准确率没有任何意义，此时准确率就会失效。所以，我们需要寻找新的指标来评价模型的优劣。

2 . 精确率

精确率(Precision) 是针对预测结果而言的，其含义是在被所有预测为正的样本中实际为正样本的概率，精确率和准确率看上去有些类似，但是是两个完全不同的概念。精确率代表对正样本结果中的预测准确程度，准确率则代表整体的预测准确程度，包括正样本和负样本。

3. 召回率

召回率(Recall) 是针对原样本而言的，其含义是在实际为正的样本中被预测为正样本的概率。

准确率和召回率互相影响，理想状态下肯定追求两个都高，但是实际情况是两者相互“制约”：追求准确率高，则召回率就低；追求召回率高，则通常会影响准确率。我们当然希望预测的结果precision越高越好， recall越高越好， 但事实上这两者在某些情况下是矛盾的。这样就需要综合考虑它们，最常见的方法就是F-score。 也可以绘制出P-R曲线图，观察它们的分布情况。

4. F-score

一般来说准确率和召回率呈负相关，一个高，一个就低，如果两个都低，一定是有问题的。 一般来说，精确度和召回率之间是矛盾的，这里引入F1-Score作为综合指标，就是为了平衡准确率和召回率的影响，较为全面地评价一个分类器。F1是精确率和召回率的调和平均。

---