R语言教程

直方图 您可以使用函数hist（x ）创建直方图，其中x是要绘制的值的数值向量。选项freq = FALSE绘制概率密度而不是频率。选项中断=控制箱的数量。 # Simple Histogramhist(mtcars$mpg)  点击查看 # Colored Histogram with Different Number of Binshist(mtcars$mpg, breaks=12, col="red")  点击查看 # Add a Nor … 继续阅读“R语言教程之如何直方图和密度图”

在R中，图形通常是交互式创建的。 # Creating a Graphattach(mtcars)plot(wt, mpg) abline(lm(mpg~wt))title("Regression of MPG on Weight") 该 图（）函数打开一个图形窗口和情节与重量英里每加仑。下一行代码将一条回归线添加到此图中。最后一行添加一个标题。  点击查看 保存图形 您可以从菜单文件 – >另存为中以各种格式保存图形。 您还可 … 继续阅读“R语言教程如何创建一个图Creating a Graph”

本网站上的大多数方法实际上都描述了矩阵的编程。它深深植入R语言。本节将简单介绍特别适用于线性代数的运算符和函数。在继续之前，您需要查看数据类型和操作符上的部分。 矩阵facilites 在下面的例子中，A和B是矩阵，x和b是矢量。 操作员或功能 描述 A * B 元素明智的乘法 A％*％B 矩阵乘法 A％o％B 外部产品。AB” crossprod（A，B）crossprod（A） A'B和A'A。 吨（A） 颠倒 DIAG（x）的 在主对角线上创建具有x元素的对角矩阵 诊断（A … 继续阅读“R语言教程之矩阵代数Matrix Algebra”

R提供了经典和非度量多维缩放的功能。假设我们有N个在p数字变量上测量的对象。我们想要用简洁（和可视化）的方式来表示物体之间的距离（即较低的k维空间）。 古典MDS 您可以使用cmdscale（）函数执行经典的MDS 。 # Classical MDS# N rows (objects) x p columns (variables)# each row identified by a unique row name d <- dist(mydata) # euclidean di … 继续阅读“R语言教程之多维度缩放Multidimensional Scaling”

递归分区是数据挖掘中的一个基本工具。它帮助我们探索一组数据的结构，同时开发易于可视化的预测分类（分类树）或连续（回归树）结果的决策规则。本节简要介绍CART建模，条件推理树和随机森林。 通过rpart进行CART建模 可以通过rpart包生成分类和回归树（如Brieman，Freidman，Olshen和Stone所述） 。有关rpart的详细信息，请参见使用RPART例程进行递归分区简介。以下提供了一般步骤，接下来是两个示例。 1.增长树 要生长一棵树，请使用rpart（公式，数据= … 继续阅读“R语言教程之基于树的模型Tree-Based Models”

聚类分析 R具有用于聚类分析的多种功能。在本节中，我将介绍三种方法：层次聚合，分区和基于模型。尽管对于确定要提取的聚类数量的问题没有最佳解决方案，但下面给出了几种方法。 数据准备 在对数据进行聚类之前，您可能需要删除或估计缺失的数据并重新调整变量的可比性。 # Prepare Datamydata <- na.omit(mydata) # listwise deletion of missingmydata <- scale(mydata) # standardize variabl … 继续阅读“R语言教程之聚类分析Cluster Analysis”

R提供执行Mann-Whitney U，Wilcoxon签名排名，Kruskal Wallis和Friedman测试的功能。 # independent 2-group Mann-Whitney U Test wilcox.test(y~A) # where y is numeric and A is A binary factor # independent 2-group Mann-Whitney U Testwilcox.test(y,x) # where y and … 继续阅读“R语言教程之群体差异的非参数检验Nonparametric Tests of Group Differences”

主成分与因子分析 本节涵盖主要组成部分和因素分析。后者包括探索性和确认性方法。 主要组件 所述princomp（）函数产生未旋转的主成分分析。 # Pricipal Components Analysis# entering raw data and extracting PCs # from the correlation matrix fit <- princomp(mydata, cor=TRUE)summary(fit) # print variance acc … 继续阅读“R语言教程之主成分与因子分析”

您可以使用 cor（）函数产生相关性，使用c ov（）函数产生协方差。 简化的格式是cor（x，use =，method =）其中 选项 描述 X 矩阵或数据框架 使用 指定处理缺少的数据。选项是all.obs（假设没有丢失的数据 – 丢失的数据会产生错误），complete.obs（列表删除）和pairwise.complete.obs（成对删除） 方法 指定相关的类型。选项有pearson，spearman或kendall。 # Correlations/co … 继续阅读“R语言教程之函数产生相关性”

广义线性模型 广义线性模型使用glm（）函数进行拟合。glm函数的形式是 glm（formula ，family = familytype （link = linkfunction ），data =） 家庭 默认链接功能 二项式 （link =“logit”） 高斯 （link =“身份”） 伽玛 （link =“inverse”） inverse.gaussian分布 （链接=“1 / mu ^ 2”） 泊松 （link =“log”） 准 （ … 继续阅读“广义线性模型 R语言实现教程 Generalized Linear Models”