目录（1）创建数据框（2）访问数据框（3）提取子数据框（4）缺失值的处理（5）使用rbind()和cbind()（6）apply()（7）合并数据框（8）应用于数据框的函数：lapply()和sapply()（1）创建数据框> d<-data.frame(list(kids=c("Jack","Jill"),ages=c(12,10)))
> d
kids ages
1 Ja
转载
2024-06-10 20:28:28
153阅读
假设检验总体均值的检验一个总体均值的检验大样本的检验z.test(table$PM2.5.,mu=81,sigma.x = sd(table$PM2.5.),alternative = "less",conf.level = 0.95)小样本的检验t.test(table$厚度,mu=5)检验效应量library(lsr)
cohensD(table$厚度,mu=5)两个总体均值之差的检验独立大样
转载
2023-09-05 18:49:02
141阅读
关于随机森林的简介和应用理论，请阅读之前分享的文章：关于随机森林进行分类的入门实战，请阅读之前分享的大家可以学习此文，实现分组挖掘两组或多组的特异Features，也可以展示特征的贡献度，获得分类评估的准确度，以及使用新数据进行预测，无监督的随机森林等基础技能。今天我们讲使用randomForest实现回归分析的实战代码。回归的应用主要包括时间序列预测模式，如预测股、尸体死亡时间等。本节不需要先难
转载
2023-06-21 18:59:19
319阅读
0. 为什么要用QR分解
的问题可以分成3类：
情况1：A是方阵，m=n情况2：A是over-determined的，m>n情况3：A是under-determined的，m<n在[数值计算] 条件数的例子2里，遇到的情况1（A是方阵），通过构造拉格朗日插值来使得对A求逆足够稳定。对于一般的情况下，解决思路是使用LU（LUP）分解来解决稳定性问题，在前一篇文中已经简
转载
2023-10-11 10:38:05
164阅读
一、随机模型的介绍在随机森林方法中，创建了大量的决策树。每个观察结果都被送入每个决策树。 每个观察结果最常用作最终输出。对所有决策树进行新的观察，并对每个分类模型进行多数投票。随机森林首先是一种并联的思想，同时创建多个树模型，它们之间是不会有任何影响的，使用相同参数，只是输入不同。为了满足多样性的要求，需要对数据集进行随机采样，其中包括样本随机采样与特征随机采样，目的是让每一棵树都有个性。将所有的
转载
2023-06-21 18:57:49
405阅读
通过综合案例，使学生掌握基本统计分析的各种指标的，掌握统计分析结果的可视化方法。1.调查某大学学生每周学习时间与得分的平均等级之间的关系，现抽查10个学生的资料如student.data文件所示。其中等级10表示最好，1表示最差，试用秩相关检验（Spearman检验和Kendall检验）分析学习时间和学习等级有无关系。（相关性检验）读取并查看文件提出假设：H0：学习时间和学习等级无关系H1：学习时
转载
2023-06-20 17:33:30
214阅读
一、求解支持向量机。上篇笔记讲到，如何求解拉格朗日乘子向量。基本的想法就是，每次选出两个乘子，对其他的乘子赋值，此时，只剩两个乘子。问题变成了一个两元一次方程和求二元函数最小值的问题。如果乘子可以更新(既违反了KKT条件)，则把其中一个乘子用令一个乘子代替，带入到二元函数中，再求函数取最小值时(通过公式可以看出这是一个开口向上的抛物线)，未知数的值。重复上面的过程直到所有的乘子都稳定下来，不再发生
转载
2024-04-16 10:36:56
47阅读
完全信息静态博弈纯策略均衡文章目录完全信息静态博弈纯策略均衡@[toc]1 纯策略完全信息静态博弈2 R代码操作3 一般情形半夜写推文眼酸，早上绕学校走两圈，回忆代码有bug，故重新推文1 纯策略完全信息静态博弈纯策略完全信息静态博弈可以通过严格占优策略反复寻找法、严格劣策略反复剔除法、划线法和箭头法寻找Nash equilibrium。由于划线法使用比较简洁，下文通过R语言模拟并寻找纯策略完全信
转载
2024-06-24 11:04:30
46阅读
摘要本文提供了一套用于分析各种有限混合模型的方法。既包括传统的方法，如单变量和多变量正态混合的EM算法，也包括反映有限混合模型的一些最新研究的方法。许多算法都是EM算法或基于类似EM的思想，因此本文包括有限混合模型的EM算法的概述。1.有限混合模型介绍人群中的个体往往可以被划分为群。然而，即使我们观察到这些个体的特征，我们也可能没有真正观察到这些成员的群体。这项任务在文献中有时被称为 "无监督聚类
转载
2023-11-21 15:21:05
202阅读
# R语言实现SOFM（自组织特征映射）
自组织特征映射（Self-Organizing Feature Map, SOFM）是一种无监督学习的神经网络算法，常用于数据降维和聚类。接下来，我将逐步指导你如何在R语言中实现SOFM。我们将首先了解整个流程，并通过代码来实现每一步。
## SOFM实现流程
以下是实现SOFM的主要步骤：
| 步骤 | 描述
使用R语言实现plsRcox的步骤如下：
流程图：
```mermaid
graph TD
A[准备数据] --> B[数据预处理]
B --> C[建立模型]
C --> D[模型评估]
```
步骤说明：
1. 准备数据：首先需要准备好用于建立模型的数据。可以使用R中的数据集或者自己导入数据。
2. 数据预处理：对数据进行预处理，包括数据清洗、缺失值处理、变量转换等。常用的预处理函数
原创
2023-11-24 08:00:36
404阅读
# R语言实现LDA（线性判别分析）
## 引言
线性判别分析（Linear Discriminant Analysis, LDA）是一种常用的统计分类方法，主要用于数据的降维和分类。LDA能够在特征空间中找到最优的线性组合，使得类别之间的差异最大化，而类内差异最小化。本文将介绍如何在R语言中实现LDA，并通过代码示例和图形演示其基本流程。
## 什么是LDA？
LDA实际上是一种监督学习
一、从URL读取并返回html树1.1 Rcurl包 使用Rcurl包可以方便的向服务器发出请求，捕获URI，get 和 post 表单。比R socktet连接要提供更高水平的交互，并且支持 FTP/FTPS/TFTP，SSL/HTTPS,telnet 和cookies等。本文用到的函数是basicTextGat
# R语言实现自回归分数积分滑动平均模型（ARFIMA）
自回归分数积分滑动平均（ARFIMA）模型是一种广泛应用于时间序列分析的工具。与传统的自回归滑动平均（ARMA）模型不同，ARFIMA模型不仅能够处理自相关，还可以处理数据的长期依赖性。本文将介绍如何在R语言中实现ARFIMA模型，并展示代码示例和可视化分析。
## ARFIMA模型简介
ARFIMA模型是ARMA模型的扩展形式，包含
# R语言实现Bagging
## 什么是Bagging？
Bagging（全名Bootstrap Aggregating）是集成学习的一种方法，通过创建多个训练数据的子集来构建多个模型，然后将它们的预测结果结合起来，从而提高模型的准确性和稳定性。Bagging的基本思想是利用不同的数据子集来训练多个模型，从而减少方差并增强模型的预测能力。
## Bagging的工作原理
Bagging的
# 使用R语言实现Lasso回归算法
## 背景介绍
Lasso（Least Absolute Shrinkage and Selection Operator）是一种用于回归分析的统计估计方法，它通过对模型参数增加L1正则项来实现特征选择和模型压缩。Lasso回归可以用于解决高维数据集的问题，通过减少不重要或冗余的特征，提高模型的泛化能力。
在本文中，我们将使用R语言来实现Lasso回归算
原创
2024-01-22 07:21:52
104阅读
# R语言实现GBM（Gradient Boosting Machine）
在机器学习中，提升方法（Boosting）是一种常用的模型组合技术。GBM（Gradient Boosting Machine）是提升方法的一种非常流行的实现。GBM通过迭代地训练弱学习器（通常是决策树），并逐步减少模型预测的误差。本文将介绍如何使用R语言实现GBM，包括代码示例和流程图展示。
## GBM的基本原理
在数据挖掘中，K-Means算法是一种cluster analysis的算法，其主要是来计算数据聚集的算法，主要通过不断地取离种子点最近均值的算法。问题K-Means算法主要解决的问题如下图所示。我们可以看到，在图的左边有一些点，我们用肉眼可以看出来有四个点群，但是我们怎么通过计算机程序找出这几个点群来呢？于是就出现了我们的K-Means算法（Wikipedia链接）K-Means要解决的
# R语言实现VAR模型的入门指南
在经济学和金融学中，向量自回归（VAR）模型是一种极其重要的工具，用于捕捉时间序列数据之间的动态关系。本文旨在帮助初学者了解如何在R语言中实现VAR模型。
## 1. 学习流程概述
在开始之前，我们首先需要明确实现VAR模型的一系列步骤。以下是流程的概述：
| 顺序 | 步骤 | 描述
原创
2024-10-24 04:34:46
176阅读
# 使用R语言实现Graham-Before-Taylor模型（GBTM）
在本篇文章中，我们将学习如何在R语言中实现Graham-Before-Taylor模型（GBTM）。首先，我们将了解整个实现过程，然后逐步详细介绍每一步所需的代码和注释。最后，还会有一个小结，让你对整个流程有个清晰的认识。
## 实现流程
以下是实现GBTM的步骤：
| 步骤 | 描述 |
|------|----
原创
2024-09-05 06:27:29
238阅读
