R i Data Mining

Przez ostatnie trzy lata używałem R codziennie, a największa część tego codziennego użytku jest przeznaczona na problemy z uczeniem maszynowym/eksploracją danych.

Byłem wyłącznym użytkownikiem Matlab podczas studiów; wtedy myślałem, że to doskonały zestaw narzędzi / platformy. Jestem pewien, że to również dzisiaj.

The Neural Network Toolbox, the Optimization Toolbox, Statistics Toolbox, i zestaw narzędzi do dopasowania krzywej są bardzo pożądane (jeśli nie niezbędne) dla kogoś, kto używa MATLAB dla ML / Data Mining działa, jednak wszystkie są oddzielone od podstawowe środowisko MATLAB - innymi słowy, muszą być zakupione oddzielnie.

My Top 5 list for Learning ML / Data Mining in R :

• Zasady Stowarzyszenia Górniczego w R

Odnosi się to do kilku rzeczy: po pierwsze, grupa pakietu R, która zaczyna sięarules (dostępne z CRAN); można znaleźć pełną listę (arules, aruluesViz, itp.) na Strona Główna Projektu . Po drugie, wszystkie te pakiety są oparte na technice eksploracji danych znanej jako analiza rynkowa i alternatywnie jako reguły Asocjacji . Pod wieloma względami ta rodzina algorytmów jest istotą eksploracji danych-wyczerpująco przemierza duże bazy danych transakcji i znajduje ponadprzeciętne powiązania lub korelacje między polami (zmiennymi lub cechami) w tych bazach danych. W praktyce łączysz je ze źródłem danych i pozwalasz im działać na noc. Pakiet centralny R w wyżej wymienionym zbiorze nazywa się arules; na stronie pakietu CRAN dla arulesznajdziesz linki do kilku doskonałych źródeł wtórnych ( winiety w leksykonie R) na temat pakietu arules i ogólnie na temat techniki reguł Asocjacji.

• odniesienie standardowe, T on Elementy statystyki Nauka autor: Hastie /

Najbardziej aktualne wydanie tej książki jest dostępne w formie cyfrowej za darmo . Podobnie, na stronie książki (podlinkowane nieco powyżej) są wszystkie zbiory danych używane w ESL, dostępne do pobrania za darmo. (Na marginesie, mam darmową wersję cyfrową; zakupiłem również wersję w twardej oprawie od BN.com; wszystkie wykresy kolorów w wersji cyfrowej są odtwarzane w wersji hardbound.) ESL zawiera dokładne wprowadzenie do co najmniej jednego przykładu z większości głównych Ml rubrics--np. neural metworks, SVM, KNN; bez nadzoru techniki (LDA, PCA, MDS, SOM, clustering), liczne smaki regresji, CART, Techniki bayesowskie, a także techniki agregacji modeli (Boosting, Bagging) i tuning modelu (regularyzacja). Na koniec zdobądź Pakiet R, który towarzyszy książce od CRAN (co zaoszczędzi kłopotu z pobieraniem zestawów danych enter).

• CRAN widok zadania: Uczenie maszynowe

+3500 pakietów dostępnych dla R są podzielone według domeny na około 30 rodzin pakietów lub 'widoki Zadań'. Uczenie Maszynowe jest jedną z tych rodzin. Widok zadań uczenia maszynowego zawiera około 50 Paczki. Niektóre z tych pakietów są częścią podstawowej dystrybucji, w tym e1071 (rozbudowany pakiet ML, który zawiera kod roboczy dla wielu zwykłe kategorie ML.)

• Revolution Analytics Blog

Ze szczególnym uwzględnieniem postów oznaczonych tagiem Analiza Predykcyjna

• ML w R tutorial skład: slide deck i R code autorstwa Josha Reicha

Dokładne badanie kodu samo w sobie byłoby doskonałym wprowadzeniem do ML w R.

I jeden ostatni zasób, który moim zdaniem jest doskonały, ale nie znalazł się w pierwszej 5:

• W ten sposób można uzyskać więcej informacji na temat procesu uczenia maszynowego.]}

Zamieszczone na blogu A Piękne WWW