机器学习与R语言——基本语法

一、注释

1、选中要注释的内容,快捷键Ctrl+Shift+C(取消注释方法相同)

2、在需注释内容前输入#

1 #需注释的内容

3、利用if语句,将判断条件设置为false则可跳过if语句中的内容,相当于实现了内容的注释

1 if(false)
2 {
3       x = 5
4       y <- 10
5 }    

二、工作成果保存、数据删除及加载

1.、首先创建两文件夹,分别命名为Rsourse和Data,用于保存工程文件(.r)和数据文件(.rda)

2、相关函数:

(1)、获取当前工作路径:getwd()

(2)、设置工作路径:setwd()

1 setwd(".\\Rsourse")                                                       #相对路径
2 setwd("..\\")                                                             #上一级目录
3 setwd("C:\\Users\\wangcj\\OneDrive\\Documents\\R-Language\\")             #绝对路径

(3)、文件夹相关

判断文件夹是否存在:file.exists("Rsourse")

创建文件夹:dir.create("Data")

(4)、保存

保存工作成果:save(x,y,file="Basic.rda")   将x,y保存到当前工作目录下的first.rda文件中

保存工作空间:save.image()

(5)、删除变量(对象):rm(x,y) 删除x,y

(6)、下载保存的值:load("Basic.rda")

三、数据处理基本函数

1、计算标准差:sd()函数

例如:sd(0:100)求0到100的标准差{0和100之间的冒号(:)表示向sd函数中输入的是0到100间的整数}

2、计算平均数:mean()函数

原文地址:https://www.cnblogs.com/wangcj2015/p/8295943.html

时间: 2024-10-14 11:23:06

机器学习与R语言——基本语法的相关文章

机器学习与R语言

此书网上有英文电子版:Machine Learning with R - Second Edition [eBook].pdf(附带源码) 评价本书:入门级的好书,介绍了多种机器学习方法,全部用R相关的包实现,案例十分详实,理论与实例结合. 目录 第一章 机器学习简介 第二章 数据的管理和理解 第三章 懒惰学习--使用近邻分类 第四章 概率学习--朴素贝叶斯分类 第五章 分而治之--应用决策树和规则进行分类 第六章 预测数值型数据--回归方法 第七章 黑箱方法--神经网络和支持向量机 第八章 探

R语言编程语法

一.基本的概念 语句(statement):一条单独的R语句或一组复合语句(包含在{}中的一组R语句,使用分号分割): 条件(cond):一条最终被解析为真或者假的表达式: 表达式(expr):一条数据或字符串的求职语句: 序列(seq):一个数值或字符串的求值语句. 二.R语言之控制结构 2.1 循环结构 2.1.1 for结构 语法: for (var in seq){statement1;satement2;...} 说明:直到变量值不再包含在序列中为止 1 > n<-0 2 >

机器学习:R语言中如何使用最小二乘法

详细内容见上一篇文章:http://www.cnblogs.com/lc1217/p/6514734.html 这里只是介绍下R语言中如何使用最小二乘法解决一次函数的线性回归问题. 代码如下:(数据同上一篇博客)(是不是很简单????) > x<-c(6.19,2.51,7.29,7.01,5.7,2.66,3.98,2.5,9.1,4.2) > y<-c(5.25,2.83,6.41,6.71,5.1,4.23,5.05,1.98,10.5,6.3) > lsfit(x,y

机器学习与R语言:kNN

#---------------------------------------- # 功能描述:演示kNN建模过程 # 数据集:威斯康星乳腺癌诊断 # #---------------------------------------- #第一步:收集数据 # import the CSV file wbcd <- read.csv("/Users/chenyangang/R语言/data/wisc_bc_data.csv", stringsAsFactors = FALSE)

机器学习与R语言:NB

#---------------------------------------- # 功能描述:演示NB建模过程 # 数据集:SMS文本信息 # tm包:维也纳财经大学提供 #---------------------------------------- #第一步:收集数据 # import the CSV file sms_raw <- read.csv("/Users/chenyangang/R语言/data/sms_spam.csv", stringsAsFactors

机器学习与R语言:C5.0

#---------------------------------------- # 功能描述:演示C50建模过程 # 数据集:汉堡大学信贷模型,信贷数据 # #---------------------------------------- #第一步:收集数据 # import the CSV file credit <- read.csv("/Users/chenyangang/R语言/data/credit.csv", stringsAsFactors = TRUE) #

R语言常用语法总结

## 1. 数据输入 ##a$b # 数据框中的变量a = 15 # 赋值a <- 15 # 赋值a = c(1,2,3,4,5) # 数组(向量)b = a[1] # 数组下标,从1开始b = a[1:5] # 子数组b = a[-2] # 子数组:扣除第2个的子数组b = a[c(1,3)] # 子数组:访问第1,3个元素b = c(a0,a1,a2) # 连接多个数组a = rep(c(1,2,3,4),each=8) # 生成重复数列,支持每个重复和整个重复a = seq(from=1,

数据分析和R语言的那点事儿_1

最近遇到一些程序员同学向我了解R语言,有些更是想转行做数据分析,故开始学习R或者Python之类的语言.在有其他编程语言的背景下,学习R的语法的确是一件十分简单的事.霸特,如果以为仅仅是这样的话那就图样图森破. 首先,数据分析是一个非常庞杂的职能,也许岗位抬头均为数据分析师的两人,做的事情却大不相同——比如使用hadoop做日志统计和使用Excel处理报表,这简直是两个领域,相互之间的职能了解,可能仅为对方工作的冰山一角. 其次,无论任何行业的数据分析,其日常工作主要为以下几块: 数据获取——数

简单线性回归问题的优化(SGD)R语言

本编博客继续分享简单的机器学习的R语言实现. 今天是关于简单的线性回归方程问题的优化问题 常用方法,我们会考虑随机梯度递降,好处是,我们不需要遍历数据集中的所有元素,这样可以大幅度的减少运算量. 具体的算法参考下面: 首先我们先定义我们需要的参数的Notation 上述算法中,为了避免过拟合,我们采用了L2的正则化,在更新步骤中,我们会发现,这个正则项目,对参数更新的影响 下面是代码部分: ## Load Library library(ggplot2) library(reshape2) li