史上最全的Vim命令1.1 Vim的几种模式• 正常模式：可以使用快捷键命令，或按:输入命令行。• 插入模式：可以输入文本，在正常模式下，按i、a、o等都可以进入插入模式。• 可视模式：正常模式下按v可以进入可视模式， 在可视模式下，移动光标可以选择文本。按V进入可视行模式， 总是整行整行的选中。ctrl+v进入可视块模式。• 替换模式：正常模式下，按R进入。2. 启动Vim• vim -c cm
转载
2023-11-30 16:48:47
62阅读
1. Fedora 19 居然没有自带 gcc 和 g++：sudo yum -y install gcc gcc-c++2. 安装 vim 和 cvim 插件：sudo yum -y vim cvim3. vim 配置文件 vimrc 的存放位置：系统 vimrc 文件: "/vim/vimrc"用户 vimrc 文件: "/home/.vim
转载
2024-01-08 13:36:33
115阅读
1. vim 删除一列先使用ctrl + v，移动方向键，选择矩形区域，然后按 d 进行删除如果要在每一列前面加一个“{ ”------>修改列为特殊字符（ctrl + v选好后使用r替换成特殊字符），然后使用:%s替换命令如果要在每一列后面加一个“},” ------> 1. 修改最后一个字符为特殊；2. 使用命令“:%s /,\r/
转载
2024-08-20 20:02:48
68阅读
文章目录理解近邻分类第一步收集数据第二步探索和准备数据第三步基于数据训练模型第四步评估模型的性能第五步提高模型的性能理解近邻分类你知道蛋白质、蔬菜和水果是怎么分类的吗？生活中我们发现既不脆也不甜的是蛋白质，脆而不甜的是蔬菜，而水果往往是甜的，有可能脆也有可能不脆。基于以上生活经验（人以群分，物以类聚），那么你知道西红柿是水果还是蔬菜呢？首先我们来看下面一组数据。食物 甜度 脆度
转载
2024-10-18 08:44:33
23阅读
目录一、数据准备1.数据加载2.做分组信息数据3.表达数据样本ID顺序与样本信息数据匹配二、数据预处理(1)缺失值处理(2)离群值处理(3)数据归一化三、数据探索(1)查看数据是否经过了log2转换(2)查看管家基因的表达量(3)画箱线图查看数据分布(4)PCA图、层次聚类图四、差异表达分析(1)数据准备(2)差异分析及可视化(3)提取差异表达基因一、数据准备1.数据加载#数据表达数据加载
exp
转载
2023-08-01 15:57:04
181阅读
R语言是一种用于统计分析和图形展示的编程语言，它具有强大的数据处理能力和灵活的可视化功能。在R语言中，有许多包可以帮助我们更高效地进行编程。其中一个非常有用的包是vim包，它为R语言提供了一种使用vim编辑器的方式，使得我们可以更方便地编辑和运行R代码。
在本文中，我将介绍如何使用vim包来提升R语言编程的效率。首先，我们需要安装vim包。可以使用以下命令来安装：
```R
install.p
原创
2023-12-25 07:46:46
436阅读
多重共线性（Multicollinearity）是指线性回归模型中的解释变量之间由于存在精确相关关系或高度相关关系而使模型估计失真或难以估计准确。目前R中有很多函数能够检查变量之间的共线。方差膨胀因子(variance inflation factor，VIF)来分析预测变量的共线性，从而推测模型的共曲线性一个简单的替代方法。VIF 越大，显示共线性越严重。经验判断方法表明(郭福涛等，2010):
转载
2023-11-21 12:47:21
178阅读
在window下的安装很容易，大家都会，在linux下，如果手动编译安装还是有些麻烦的，特别是当报错的时候，还要找到报错的根源，所以我们安装的时候，如果有网络我们可以直接用命令，sudo yum install R就可以了，当然要你先获取最高权限，输入 密码。我们也可以用vim来编辑R代码，我们来看一下实现的形式。这里主要用的是一个vim的插件：http://www.vim.org/script
转载
2023-09-18 06:34:30
137阅读
一点点学哈 比如要安装Hmisc这个包，那么安装的代码就是：install.packages("Hmisc")
转载
2023-07-08 12:38:36
279阅读
# KNN算法在R语言中的应用
K最近邻（K-Nearest Neighbors）是一种常用的无监督学习算法，常用于分类和回归问题。在R语言中，我们可以使用`class`包中的`knn()`函数来实现KNN算法。本文将介绍KNN算法的原理、在R语言中的实现以及一个简单的示例。
## KNN算法原理
KNN算法是一种基于实例的学习方法，其基本思想是通过计算待分类样本与已知样本的距离，选择距离最
原创
2024-02-23 08:17:20
75阅读
常见的数据缺失填充方式分为很多种，比如删除法、均值法、回归法、KNN、MICE、EM等等。R语言包中在此方面比较全面，python稍差。 目前已有的两种常见的包，第一个是impyute，第二个是fancyimpute,具体的内容请百度，此方面的例子不是很多。比如fa
转载
2023-10-18 07:35:01
616阅读
---
title: "Summary of Reading"
author: "ChenWei"
date: "2020/6/24"
output: word_document
---
```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE) 这一次我阅读的是Francisco Martinez等著的《Time Seri
转载
2023-09-21 21:56:33
135阅读
Loading [MathJax]/jax/output/HTML-CSS/jax.js
KNN实例junjun2016年2月10日 实例一、K近邻算法R语言实践，使用class包中的三个函数knn()、knn1()、knn.cv()分别做K近邻分类，并比较结果#1、加载数据
data("iris")
#2、创建训练集和测试集数据
library(caret)## Loading
算法要点：knn（k-nearst neighbor）1：k：=最近邻点数，D：=training set of data2：for (待测点z)3：计算z和每个样例（x，y）的距离4：选择离z最近的k个训练样例的集合5：统计第4步得到的点哪一类多，则z就属于哪一类6：end for数据：libraryI(ISLR)names(Smarket )#R自带数据knn代码：attach(Sm
转载
2023-06-13 19:53:38
346阅读
概述学习地址： https://tianchi.aliyun.com/specials/promotion/aicampml?invite_channel=3&accounttraceid=baca918333cb45008b70655b544a5aeadgkm学习内容：机器学习算法（三）: KNN(k-nearest neighbors)问题：多种监督学习的算法如何选择的问题还没有认真研
在这篇博文中，我们将详细介绍R语言VIM包中的aggr函数，涵盖从环境配置到进阶指南的各个方面。
## 环境配置
要使用VIM包及其aggr函数，首先需要安装R和相关依赖。以下是安装步骤和依赖版本的信息：
1. **安装R**：确保系统中安装了R语言。可以从[R官方网站](
2. **安装R包VIM**：
```R
install.packages("VIM")
```
KNN中文里叫K近邻，全称是K-Nearest Neighbor，用来选出某个样本点k个最近的样本。作为机器学习一种入门级算法，KNN的NN虽然和计量经济学中PSM模型中的NN近邻匹配字面意思一样，但两者的算法原理却有着本质区别。PSM：NN近邻匹配的依据是样本进入“干预组”的概率或得分（propensity score），通常用logit/Probit函数
转载
2024-05-07 11:07:12
74阅读
一 . K-近邻算法（KNN）概述 最简单最初级的分类器是将全部的训练数据所对应的类别都记录下来，当测试对象的属性和某个训练对象的属性完全匹配时，便可以对其进行分类。但是怎么可能所有测试对象都会找到与之完全匹配的训练对象呢，其次就是存在一个测试对象同时与多个训练对象匹配，导致一个训练对象被分到了多个类的问题，基于这些问题呢，就产生了KNN。 KNN是通过测量
转载
2023-07-16 16:23:26
137阅读
K-近邻算法（KNN）原理及举例样本集中每一个数据与所属分类有对应关系，输入没有标签的新数据后，将新数据与训练集数据的对应特征进行比较，找出“距离”最近的k个数据，选择这k个数据中出现最多的分类作为新数据的分类。 算法描述 (1) 计算已知类别数据集中的点与当前点的距离;(2) 选取与当前点距离最小的k个点(3) 确定前K个点所在类别出现的频率(4) 返回频率最高的
转载
2023-11-07 00:44:05
129阅读
回所了，开始处理数据，由于cartopy绘制极地投影加标签实在是太麻烦了，就用R把nc数据处理了，再用ncl画图。 本文包括：R语言使用ncdf4批量读写nc使用lubridare包将日均数据转为月均数据使用trend包进行MK趋势检验ncl极地绘图R语言批量读取nc文件主要使用ncdf4包，用法和python差不多，没什么好讲的，直接上代码：library('ncdf4')
ncfiles<
转载
2023-06-01 16:51:45
255阅读
