本文利用选举数据，通过K-近邻、支持向量机、人工神经网络等三类分类算法，利用R语言统计软件，实现选举数据的模型建立与预测分析。并对三个模型的预测结果进行对比分析，从而选择最优分类策略，进而为选举提供有效、有力的数据支持。
1.数据探索
1.1 数据来源及说明
数据来源于某国选举数据，共有“Precinct”、“Race”、“Income”、“Candidate”四个变量，均为分类变量。
1.2 变量说明
Precinct：管理区，为区号；
Race：选民的种族，0=缺失，1=白人，2=西班牙裔，3=黑人，4=亚洲人，5=其他；
Income：选民的收入，0=缺失，1=<10k，2=10-20k，3=20-30k，4=30-40k，5=40-50k，6=50-60k，7=60-70k，8=70k及以上；
Candidate：候选人，1=Jackson，2=LaRouche，3=Dukakis，4=Gore，5=Simon。
1.3 变量处理
由于变量“Race”、“Income”带有缺失值，于是先对所有数据进行缺失值处理，即保证数据的有效性，形成数据newdata。
# 导入数据
data<-read.csv("data.csv",header = T)
# 剔除缺失值，即race、income为0的行
newdata<-subset(data,data$race>0&data$income>0,
select=c("precinct","race","income","candidate" ))
再对目标变量进行因子化处理，其他数据进行归一化处理，即“Precinct”、“Race”、“Income”进行(x-min(x))/(max(x)-min(x))的计算替换，形成新的数据集newdatanor。
# 目标变量因子化
data$candidate<-as.factor(data$candidate)
# min-max标准化:(x-min)/(max-min)
normalize <- function(x) { return ((x-min(x))/(max(x)-min(x))) }
normalize(c(1, 3, 5)) ## 测试函数有效性
newdatanor <- as.data.frame(lapply(newdata[1:3],normalize))
newdatanor$candidate <- newdata$candidate
str(newdatanor)
得到数据集newdatanor，共计length(newdata$precinct)=1723条数据，于是对以上数据进行随机抽样，划分训练集和测试集，以70%的数据为训练集，30%为测试集。
#划分train&test
# train训练集
set.seed(3) ## 设立随机种子
train_id <- sample(1:length(newdatanor$precinct),
l