本文自年月日起被Torsten Hothorn翻譯成CRAN任務(wù)視圖：機(jī)器學(xué)習(xí)統(tǒng)計學(xué)習(xí)。鏈接到英語：http://cRA.r.jord.org Web/VIEW 機(jī)器學(xué)習(xí).HTML
計算科學(xué)和統(tǒng)計學(xué)通常被稱為機(jī)器學(xué)習(xí)。許多R語言包可以實(shí)現(xiàn)機(jī)器學(xué)習(xí)相關(guān)的思想和方法。我們大致將這些R包分類如下：
為了深入學(xué)習(xí)R語言，你可以回復(fù)《深入學(xué)習(xí)R.R.語言》來查閱《統(tǒng)計咨詢公眾》的前一篇文章。
RSNNS：提供到Stuttgart神經(jīng)網(wǎng)絡(luò)模擬器（SNNS）的接口，該網(wǎng)絡(luò)模擬器由Stuttgart大學(xué)開發(fā)，可在官方網(wǎng)站http:www.ra.cs.uni tueb..de/SNNS上獲得
FCNNR：提供了一個連接到C++編寫的開源庫（FCNN）的接口，可用于人工神經(jīng)網(wǎng)絡(luò)的計算。詳細(xì)信息可以在官方網(wǎng)站上找到：http://fCNn.SuoSoCurr.net
Rpart：用于回歸、分類、生存分析等的樹結(jié)構(gòu)模型。推薦用于分類和回歸樹（CART）
RWeka：t提供了到Waikato Environment for Knowledge.（Weka）的接口，它具有豐富的分類算法，包括J.、C.、M等等。詳細(xì)信息可以在官方網(wǎng)站上找到：http://www. Waykto .AC.NZ/mLWEKA/M。
一方面：無偏變量選擇遞歸分類算法，統(tǒng)計停止準(zhǔn)則遞歸分類算法；函數(shù)樹（）函數(shù)是基于非參數(shù)條件推理過程，確定因變量與它們各自的獨(dú)立性。變量；MOB（）函數(shù)可用于參數(shù)分類模型；具有強(qiáng)大的可視化二叉樹功能
Wsrf：提供了一種變權(quán)子空間選擇方法，與傳統(tǒng)的隨機(jī)變量抽樣變量選擇技術(shù)不同。
關(guān)于LASSO算法，您可以回復(fù)之前的文章《統(tǒng)計咨詢公眾編號：LASSO》、《LASSO的過去和現(xiàn)在生活》和《從懲罰函數(shù)分析嶺回歸和LASSO回歸》。
Glmnet：完全套索和彈性網(wǎng)絡(luò)正則化路徑分析，適用于線性模型、logistic回歸模型、多類回歸模型等。
Hdm：基于Lasso的非高斯殘差和異方差殘差估計干預(yù)效果的高維設(shè)置，低維分量的Lasso回歸
GAMBoo-LSS:一種用于位置尺度和形狀函數(shù)模型的一般加性模型的漸進(jìn)算法
BayesTree：貝葉斯加性回歸樹，更終的模型由許多較弱的學(xué)習(xí)者組成，但不是隨機(jī)森林區(qū)段中提到的整體概念
MXM：貝葉斯不穩(wěn)定性，半?yún)?shù)非線性回歸，樹枝狀高斯過程（包括貝葉斯CART和線性模型）
Rmalschains：文化基因局部搜索鏈算法，是一種特殊的進(jìn)化算法，結(jié)合局部搜索實(shí)值參數(shù)優(yōu)化的穩(wěn)定遺傳算法。
Arules：提供用于有效處理稀疏二進(jìn)制元數(shù)據(jù)的數(shù)據(jù)結(jié)構(gòu)，并為Apriori和Eclat算法實(shí)現(xiàn)關(guān)聯(lián)規(guī)則，包括頻率項(xiàng)集挖掘、更大頻率項(xiàng)集和更近頻率項(xiàng)集
Opusminer：一個OPU挖掘算法，它在一個自包含的項(xiàng)目集下使用杠桿或增益來提供與C++的接口連接，以有效地發(fā)現(xiàn)事務(wù)數(shù)據(jù)的關(guān)鍵關(guān)聯(lián)。
粗糙集：粗糙集理論和模糊集理論（FRST）的綜合方法
Caret：提供許多函數(shù)來構(gòu)建預(yù)測模型，包括參數(shù)調(diào)優(yōu)、可變重要性度量和并行算法（MPI、NWS等）。
Ho：一個通用的機(jī)器學(xué)習(xí)平臺，可以執(zhí)行許多流行的算法，包括隨機(jī)森林、GBM、GLM（具有彈性網(wǎng)絡(luò)正則化）、深度學(xué)習(xí)（前饋多層網(wǎng)絡(luò)）等。
Elem Stat.：來自Trevor Hastie、Robert Tibshirani和Jerome Friedman編輯的《統(tǒng)計學(xué)習(xí)的要素：數(shù)據(jù)挖掘、推理和預(yù)測》一書中的數(shù)據(jù)集、函數(shù)和示例可以從統(tǒng)計咨詢公共數(shù)字之家{資源共享}免費(fèi)B獲得喔！
核心學(xué)習(xí)：相對廣泛的機(jī)器學(xué)習(xí)算法，包括更近鄰算法、樹模型、隨機(jī)森林、特征選擇方法等。
免責(zé)聲明：本網(wǎng)站內(nèi)容來源網(wǎng)絡(luò)，轉(zhuǎn)載是出于傳遞更多信息之目的，并不意味贊成其觀點(diǎn)或證實(shí)其內(nèi)容真實(shí)性。轉(zhuǎn)載稿涉及版權(quán)等問題，請立即聯(lián)系網(wǎng)站編輯，我們會予以更改或刪除相關(guān)文章，保證您的權(quán)利。
作者：徐州百都網(wǎng)絡(luò) | 來源： | 發(fā)布于：2022-04-23 09:29:41