R的应用领域包介绍z

1 Analysis of Pharmacokinetic Data 药物(代谢)动力学数据分析

药物(代谢)动力学数据分析的主要目的是用非线性浓度时间曲线(concentration time curve)或相关的总结(如曲线下面积)确定给药方案(dosing regimen)和身体对药物反应间的关系。R基本包里的nls()函数用非线性最小二乘估计法估计非线性模型的参数,返回nls类的对象,有coef(), formula(), resid(), print(), summary(), AIC(), fitted(), vcov()等方法。

在主要目的实现后,兴趣就转移到研究属性(如:年龄、体重、伴随用药、肾功能)不同的人群是否需要改变药物剂量。在药物(代谢)动力学领域,分析多个个体的组合数据估计人群参数被称作群体药动学(population PK)。非线性混合模型为分析群体药动学数据提供了自然的工具,包括概率或贝叶斯估计方法。

  • nlme包用Lindstrom和Bates提出的概率方法拟合非线性混合效应模型(1990, Biometrics 46, 673-87),允许nested随机效应(nested random effects),组内误差允许相关的或不等的方差。返回一个nlme类的对象表示拟合结果,结果可用print(), plot()summary()方法输出。nlme对象给出了细节的结果信息和提取方法。
  • nlmeODE包组合odesolve包和nlme包做混合效应建模,包括多个药动学/药效学(PK/PD)模型。
  • 面版数据(panel data)的贝叶斯估计方法在CRAN的Bayesian Inference任务列表里有所描述(http://cran.r-project.org/web/views/Bayesian.html)。
  • PKtools包为nlme, NONMEMWinBUGS包提供单剂量群体药动学数据的接口,分别返回"PKNLME","NONMEM""WinBUGS"类的对象;促进了混合似然和贝叶斯方法的使用。PKtools包的其它函数有:AICcomp()函数从NONMEM和nlme计算模型的AIC, AICc (small sample AIC)和对数似然值。paramEst()indEst()分别返回群体和个体参数,对NONMEM类使用最大似然法,对nlme类使用广义最小二乘法,对WinBUGS类使用MCMC贝叶斯估计法。HTMLtools()tex()函数分别输出群体和个体参数的HTML和LaTeX报道文件,和诊断图(diagnostic plot)便于用户选择估计方法。还能分别产生HTMLtools和tex文件里的诊断图。
  • 其它的分析药物(代谢)动力学数据的包还有:
  • PK, PKfitdrcVR包束的MASS包包括一些基本的方法,如:计算Logit或Probit模型的半数致死计量LD50。
  • 分析药物(代谢)动力学数据的图形展示也非常重要,lattice包的trellis图用来可视化面板数据。

2 计算计量经济学(Computational Econometrics)

R的很多基本函数都可用于计量经济学,尤其是stats包。CRAN的许多包也有可以分析计量经济学,下面做个简要的综述。这里介绍的工具可能与CRAN的计量金融(empirical finance)任务列表(http://cran.r-project.org/web/views/Finance.html)有许多的重合。此外,从邮件列表finance SIG(https://www.stat.math.ethz.ch/mailman/listinfo/R-SIG-Finance/)可获得计量经济和计量金融相关的帮助和讨论问题。CRAN的Social Sciences任务列表(http://cran.r-project.org/web/views/SocialSciences.html)覆盖了许多社会科学的工具,因此也与这里的工具有所重合,如:政治科学。这里综述的包大致可分为如下的几个话题:

  1. 线形回归模型(Linear regression models) 线形模型可由lm()函数拟合,也有各种检验方法用来比较模型,如:summary()anova()。类似的函数也支持。类似的功能也适合于渐近检验(如:z检验而不是t检验,卡方检验而不是F检验),此外还有lmtest包里的coeftest()waldtest()函数。car包里的linear.hypothesis()可检验更广义的线形假设。HC和HAC协方差矩阵的这些功能可在sandwich包里实现。carlmtest包还提供了许多线形回归模型的诊断方法。

  2. 微观计量经济学(Microeconometrics):许多微观计量经济学模型属于广义线形模型,可由stats包的glm()函数拟合。包括用于选择类数据(choice data)的Logit和probit模型,用于计数类数据(count data)的poisson模型。负二项广义线形模型可由MASS包的glm.nb()实现。边缘(zero—inflated)hurdle计数模型可由pscl包提供,zicounts包里也实现了边缘模型双变量Poisson回归模型可在bivpois包里实现。基本的删失回归模型(censored regression model),如:tobit模型,可由survival包里的survreg()函数拟合。micEcon包里提供了微观计量经济学的更好的工具。bayesm包执行微观计量济学和营销学(marketing)中的贝叶斯方法。reldist包提供了相对分布(relative distributions)相关的方法。

  3. 其它的回归模型(Further regression models): R和CRNA包里有各种延伸的线形回归模型和其它模型拟合方法。非线性最小二乘回归建模可用stats包里的nls()实现。相关的包还有:quantreg(分位数回归Quantile Regression),crq(截取分位点回归censored quantile regression),plm(面板数据的线形回归),sem(线性结构方程模型,包括二阶段最小平方),systemfit(联立方程估计),np(非参核方法),betareg(beta回归),nlme(非线性混合效应模型),VR(nnet 包的多项Logit模型),MNP(贝叶斯多项Probit模型)。DesignHmisc包提供广义线形回归模型的工具。

  4. 基本的时间序列架构(Basic time series infrastructure): stats包的“ts” 类是R的规则间隔时间序列的标准类。Zoo包提供了规则和不规则间隔时间序列的架构。建立在“POSIXt”时间-日期类上的its, tseriesfCalendar包也提供不规则间隔时间序列的架构,特别用于金融分析。

  5. 时间序列建模(Time series modelling): stats包里有经典的时间序列建模工具,arima()函数做ARIMA建模和Box-Jenkins-type分析。stats包还提供StructTS()函数拟合结构时间序列,decompose()过滤时间序列,HoltWinters()分解时间序列。forecasting包束提供了一些延伸的方法,尤其是预测和模型选择。多种时间序列的过滤器可在mFilter包里找到。为了估计VAR模型,stats包的ar()拟合简单的模型,vars包、dse包的estVARXls()提供了更精巧的模型,MSBVAR包提供了贝叶斯方法。Dynlm包提供了经由OLS过滤动态回归模型的方便接口;dyn包里则提供了不同的方法。更高级的动态系统方程可由dse包拟合。高斯线形状态空间模型可由dlm包拟合(用最大斯然,kalman滤波/平滑,和贝叶斯方法)。Unit root(单位根)和cointegration technique(协整技术)可在urcauroottseries包里找到。tsfa包可做时间序列因子分析。sde包提供随机微分方程的模拟和推论。

  6. 矩阵处理(Matrix manipulations):作为一个向量和矩阵语言,R有许多基本函数处理矩阵,与MatrixSparseM包互补。

  7. 放回再抽样(Bootstrap):除了推荐的boot包,bootstrapsimpleboot包里有一些其它的常规bootstrapping技术;还有些函数专门为时间序列数据而设计,如:meboot包里的最大熵bootstrap,tseries包里的tsbootstrap()函数。

  8. 不平等(Inequality):为了测量不平等(inequality),集中(concentration)和贫穷(poverty),ineq包提供了一些基本的工具,如:劳伦茨曲线(Lorenz curves),Pen’s parade,基尼系数(Gini coefficient)。

  9. 结构变化(Structural change): R有很强的处理参数模型的结构变化和变化点的能力,可参考strucchangesegmented包。

  10. 数据集(Data sets):这里介绍的许多包里都有来自计量经济学文献里的数据集,Ecdat包包括许多来自计量经济学教科书和杂志(应用计量经济学,商业/经济统计)的数据集。FinTS包针对书’Analysis of Financial Time Series’ (2nd ed., 2005, Wiley),包括数据集,函数,列子的脚本文件。CDNmoney包提供加拿大货币流通额,pwt包提供佩恩世界表(Penn World Table)。


3 R空间分析

很高兴看到R在生态学里的众多应用,我是生态学的外行,但也想来凑下热闹。希望越来越多的人喜欢R(http://www.r-project.org/),喜欢R语言中文论坛(http://rbbs.biosino.org/Rbbs/forums/list.page)。下面根据CRAN的介绍资料综述一下R分析空间数据的功能(http://cran.r-project.org/web/views/Spatial.htmlhttp://r-spatial.sourceforge.net/http://sal.uiuc.edu/csiss/Rgeo/),仅仅是翻译总结资料,有不对的地方请批评指正。

R分析空间数据(Spatial Data)的包主要包括两部分:

  1. 导入导出空间数据
  2. 分析空间数据

功能及函数包:

  1. 分类空间数据(Classes for spatial data):包sp(http://cran.r-project.org/web/packages/sp/index.html)为不同类型的空间数据设计了不同的类,如:点(points),栅格(grids),线(lines),环(rings),多边形(polygons)。另外sp提供总结数据,获取坐标等功能;提供画图函数,并且允许在图上添加空间元素(spatial elements)和参考元素(reference elements),如:比例尺(scale bar),指北针(north arrows)等。现在很多包都利用了sp包中的类,如:rgdal, maptools

  2. 处理空间数据(Handling spatial data): spsurvey包提供做概率抽样的函数(http://cran.r-project.org/web/packages/spsurvey/index.html);trip包扩展sp包的类,针对动物跟踪数据(http://cran.r-project.org/web/packages/trip/index.html);hdeco包用等级分解熵比较类型地图(categorical map)(http://cran.r-project.org/web/packages/hdeco/index.html);GeoXp包允许交互式的分析空间数据(http://cran.r-project.org/web/packages/GeoXp/index.html)。

  3. 读写空间数据(Reading and writing spatial data):图像有向量式绘图和光栅式两种。Rgdal可以读入和导出GDAL支持的光栅式格式(http://www.gdal.org/)和OGR(http://www.gdal.org/ogr/)支持的向量格式(http://cran.r-project.org/web/packages/rgdal/index.html)。ncdf包用来处理NetCDF文件(http://cran.r-project.org/web/packages/ncdf/index.html);maps包可连接一些地理学数据库并展示地理图(http://cran.r-project.org/web/packages/maps/index.html);RArcInfo包可读取ArcInfo v.7二进制文件和*.e00文件(<project.org/web/packages/RArcInfo/index.html>);maptools包管理和读入地理数据,也为PBSmapping包、spatsta包和sp类提供接口函数(http://cran.r-project.org/web/packages/maptools/index.html),还可以通到GSHHS数据库;classInt包为专题地图制图选择单变量的类间距(http://cran.r-project.org/web/packages/classInt/index.html);gmt包提供R和GMT绘图软件的接口(http://cran.r-project.org/web/packages/gmt/index.html)。

  4. 点格局分析(Point pattern analysis): spatstat包做空间点分布型态(Spatial Point Patterns)分析,长处在于模型拟合和仿真(http://cran.r-project.org/web/packages/spatstat/index.html);spatgraphs包提供点格局的可视化图形(http://cran.r-project.org/web/packages/spatgraphs/index.html);splancs包允许分析多边形区域,包括很多种方法,如:2维核密度(http://cran.r-project.org/web/packages/splancs/index.html);ecespa包提供书《Introduccion al Analisis Espacial de Datos en Ecologia y Ciencias Ambientales: Metodos y Aplicaciones》里用的点格局分析函数和数据(http://cran.r-project.org/web/packages/ecespa/index.html);aspace包计算空间中心统计(centrographic satistics)和最小凸多边形(http://cran.r-project.org/web/packages/aspace/index.html);spatialkernel包做多元数据的非参核密度估计和核回归估计(http://cran.r-project.org/web/packages/spatialkernel/index.html)。

  5. 地质统计学(Geostatistics) : gstat包做单变量和多变量地质统计,适合于大的数据集(http://cran.r-project.org/web/packages/gstat/index.html);geoR包(用贝叶斯模型,http://cran.r-project.org/web/packages/geoR/index.html)和geoRglm包(用线性模型,http://cran.r-project.org/web/packages/geoRglm/index.html)做基于模型的地质统计;fields包也提供许多类似的函数(http://cran.r-project.org/web/packages/fields/index.html);spBayes包用蒙特卡洛一马尔科夫链方法(MCMC)做单变量和多变量的高斯模型(http://cran.r-project.org/web/packages/spBayes/index.html)。 RandomFields包模拟和分析随机场(http://cran.r-project.org/web/packages/RandomFields/index.html);tripack包用于不规则数据的三角测量法(http://cran.r-project.org/web/packages/tripack/index.html);akima包用于不规则数据的线性或三次样条插值(http://cran.r-project.org/web/packages/akima/index.html);spatialCovariance包计算矩形数据的空间协方差矩阵(http://cran.r-project.org/web/packages/spatialCovariance/index.html)……。

  6. 疾病制图和地区数据分析(Disease mapping and areal data analysis): DCluster包用计数数据探测疾病的空间聚类,计算空间权重,测试空间自相关,建立空间回归模型等(http://cran.r-project.org/web/packages/DCluster/index.html);spgwr包做地理加权回归模型,检测平稳性(http://cran.r-project.org/web/packages/spgwr/index.html);spatclus包(http://cran.r-project.org/web/packages/spatclus/index.html)。spatclus包探测2维或3维空间点分布的任意形状的聚类(http://cran.r-project.org/web/packages/spatclus/index.html)。

  7. 生态学分析(Ecological analysis): R有很多分析生态和环境数据的包。如:grasp包用GAM模型(灰色代数曲线型模型)做环境预报(http://cran.r-project.org/web/packages/grasp/index.html);ade4包用做环境科学里的探索和欧几里德方法(http://cran.r-project.org/web/packages/ade4/index.html);adehabitat包分析动物的栖息地选择(http://cran.r-project.org/web/packages/adehabitat/index.html);pastecs包做时空序列的分解和分析(http://cran.r-project.org/web/packages/pastecs/index.html);vegan包做群落和植被生态学中的排序方法(http://cran.r-project.org/web/packages/vegan/index.html);WeedMap包做空间预测(http://cran.r-project.org/web/packages/WeedMap/index.html);clustTool包做聚类分析(http://cran.r-project.org/web/packages/clustTool/index.html)。更多资料见:http://cran.r-project.org/web/views/Environmetrics.html


4 Multivariate Statistics (多元统计)

基本的R包已经实现了传统多元统计的很多功能,然而CRNA的许多其它包提供了更深入的多元统计方法,下面做个简要的综述。多元统计的特殊应用在CRNA的其它任务列表(task view)里也会提及,如:排序(ordination)会在Environmetrics(http://cran.r-project.org/web/views/Environmetrics.html)里说到;有监督的分类方法能在Machine Learning(http://cran.r-project.org/web/views/MachineLearning.html)里找到;无监督的分类在Cluster(http://cran.r-project.org/web/views/Cluster.html)里。这里要综述的包主要分为以下几个部分:

  1. 多元数据可视化(Visualising multivariate data):
  • 绘图方法:基本画图函数(如:pairs()coplot())和lattice包里的画图函数(xyplot(), splom())可以画成对列表的二维散点图,3维密度图。car包里的scatterplot.matrix()函数提供更强大的二维散点图的画法。cwhmisc包集合里的cwhplot包的pltSplomT()函数类似pair()画散点图矩阵,而且可以在对角位置画柱状图或密度估计图。除此之外,scatterplot3d包可画3维的散点图,aplpack包里bagplot()可画二变量的boxplot,spin3R()可画可旋转的三维点图。misc3d包有可视化密度的函数。YaleToolkit包提供许多多元数据可视化技术,agsemisc也是这样。更特殊的多元图包括:aplpack包里的faces()可画Chernoff’s face;MASS包里的parcoord()可画平行坐标图(矩阵的每一行画一条线,横轴表示矩阵的每列);graphics包里的stars()可画多元数据的星状图(矩阵的每一行用一个星状图表示)。ade4包里的mstree()vegan包里的spantree()可画最小生成树。calibrate包支持双变量图和散点图,chplot包可画convex hull图。geometry包提供了和qhull库的接口,由convexhulln()可给出相应点的索引。ellipse包可画椭圆,也可以用plotcorr()可视化相关矩阵。denpro包为多元可视化提供水平集树形结构(level set trees)。graphics包里的mosaicplot()vcd包里的mosaic()函数画马赛克图(mosaic plot)。gclus包提供了针对聚类的散点图和平行坐标图。rggobi包和DescribeDisplay包是GGobi的接口,DescribeDisplay的图可达到出版质量的要求;xgobi包是XGobiXGvis的接口,可实现动态交互的图。最后,iplots包提供强大的动态交互图,尤其是平行坐标图和马赛克图。seriation包提供seriation方法,能重新排列矩阵和系统树。
  • 数据预处理: AIS包提供多元数据的初步描述函数。Hmisc包里的summarize()summary.formula()辅助描述数据,varclus()函数可做聚类,而dataRep()find.matches()找给定数据集的典型数据和匹配数据。KnnFinder包里的nn()函数用kd-tree找相似变量的个数。dprep包为分类提供数据预处理和可视化函数,如:检查变量冗余性、标准化。base包里的dist()cluster包里的daisy()函数提供距离计算函数;proxy包提供更多的距离测度,包括矩阵间的距离。simba包处理已有数据和缺失数据,包括相似性矩阵和重整形。
  1. 假设检验(Hypothesis testing): ICSNP包提供霍特林(Hotellings)T2检验和许多非参检验方法,包括基于marginal ranks的位置检验(location test),计算空间中值和符号,形状估计。cramer包做两样本的非参检验,SpatialNP可做空间符号和秩检验。

  2. 多元分布(Multivariate distributions):
  • 描述统计(Descriptive measures): stats包里的cov()cor()分别估计协方差和相关系数。ICSNP包提供几种数据描述方法,如:spatial.median()估计空间中值,其它的函数估计scatter。MASS包里的cov.rob()提供更健壮的方差/协方差矩阵估计。covRobust包用最近邻方差估计法估计协方差。robustbase包的covMCD()估计协方差和covOGK()做Orthogonalized Gnanadesikan-Kettenring。rrcov包提供可扩展和稳健的估计函数covMcd(), covMest()corpcor包可计算大规模的协方差和偏相关矩阵。
  • 密度估计和模拟(Densities (estimation and simulation)): MASS包的mvrnorm()产生多元正态分布的随机数。Mvtnorm包有多元t分布和多元正态分布的概率和分位数函数,还可计算多元正态分布的密度函数。mvtnormpcs包提供基于Dunnett的函数。mnormt包提供元t分布和多元正态分布的密度和分布函数,并可产生随机数。sn包提供多元偏t分布和偏正态分布的密度、分布、随机数函数。delt包提供了许多估计多元密度的函数方法,如:CART和贪婪方法。CRAN的Cluster任务列表(http://cran.r-project.org/web/views/Cluster.html)有更全面的信息,ks包里的rmvnorm.mixt()dmvnorm.mixt()函数产生随机数和估计密度,bayesm包里有多种拟合方法。很多地方都提供了模拟Wishart分布的函数,如:bayesm包里的rwishart()MCMCpack包里的rwish(),而且MCMCpack包还有密度函数dwish()KernSmooth包里的bkde2D()MASS包的kde2d()做分箱(binned)或不分箱二维核密度估计。ks包也像ashGenKern包样可做核平滑(kernel smoothing)。prim包用法找高维多元数据的高密度区域,feature包可计算多元数据的显著特征。
  • 正态检验(Assessing normality): mvnormtest包提供Shapiro-Wilks检验的多元数据延伸方法,mvoutlier包检测多元离群点(outlier),ICS包可检验多元正态分布。energy包里的mvnorm.etest()基于E统计量做正态检验,k.sample()检验多个数据是否来自同一分布。dprep包里的mardia()用Mardia检验正态性。stats包里的mauchly.test()可检验Wishart分布的协方差矩阵。
  • 连接函数(Copulas): copula包提供常规的copula函数的程序,包括:normal, t, Clayton, Frank, Gumbelfgac包提供generalised archimedian copula,mlCopulaSelection包可做二变量的copula。
  1. 线形模型(Linear models): stats包里的lm()可做多元线形模型,anova.mlm()比较多个多元线形模型,manova()做多元方差分析(MANOVA)。sn包的msn.mle()mst.mle()可拟合多元偏正态和偏t分布模型。pls包提供偏最小二乘回归(PLSR)和主成分回归;ppls包可做惩罚偏最小二乘回归;dr包提供降维回归方法,如片逆回归法(Sliced Inverse Regression)、片平均方差估计(sliced average variance estimation)。plsgenomics包做基于偏最小二乘回归的基因组分析。relaimpo包可评估回归参数的相对重要性。

  2. 投影方法(Projection methods):
  • 主成分(Principal components): stats包的prcomp()(基于svd())和princomp()(基于eigen())能计算主成分。sca包做单分量分析。nFactors可评价碎石图(Scree plot),paran包可评估主成分分析得到的主成分和因子分析得到的因子。pcurve包做主曲线(Principal Curve)分析和可视化。gmodels包提供适合大矩阵的fast.prcomp()fast.svd()kernlab包里的kpca()用核方法做非线性的主成分分析。pcaPP包用投影寻踪(projection pursuit)法计算稳健/鲁棒(robust)主成分。amap包的acpgen()acprob()函数分别针对广义(generalized)和稳健(robust)主成分分析。主成分在很多方面也有相应的应用,如:涉及生态的ade4包,感官的SensoMinR包。psy包里有用于心理学的各种程序,与主成分相关的有:sphpca()用球形直观表示相关矩阵,类似于3D的PCA;fpca()图形展示主成分分析的结果,而且允许某些变量间有相关性;scree.plot()图形展示相关或协方差矩阵的特征值。PTAk包做主张量分析(Principal Tensor Analysis)。smatr包提供关于异速生长(allometry)的函数。
  • 典型相关(Canonical Correlation): stats包里的cancor()是做典型相关的函数。kernlab包提供更稳健的核方法kcca()concor包提供了许多concordance methods。
  • 冗余度分析(Redundancy Analysis): calibrate包里的rda()函数可做冗余度分析和典型相关。fso包提供了模糊集排序(Ordination)方法。
  • 独立成分(Independent Components): fastICA包用fastICA算法做独立成分分析(ICA)和投影寻踪分析(Projection Pursuit),mlica包提供独立成分分析的最大似然拟合,PearsonICA包用基于互信息的打分函数分离独立信号。ICS包能执行不变坐标系(invariant coordinate system)和独立成分分析(independent components)。JADE包提供就JADE算法的接口,而且可做一些ICA。
  • 普鲁克分析(Procrustes analysis): vegan包里的procrustes()可做普鲁克分析,也提供排序(ordination)函数。更一般的普鲁克分析可由FactoMineR包里的GPA()实现。
  1. 主坐标/尺度方法(Principal coordinates / scaling methods): stats包的cmdscale()函数执行传统的多维尺度分析(multidimensional scaling,MDS)(主坐标分析Principal Coordinates Analysis),MASS包的sammon()和isoMDS()函数分别执行Sammon和Kruskal非度量多维尺度分析。vegan包提供非度量多维尺度分析的包装(wrappers)和后处理程序。

  2. 无监督分类(Unsupervised classification):
  • 聚类分析: CRAN的Cluster任务列表全面的综述了R实现的聚类方法。stats里提供等级聚类hclust()和k-均值聚类kmeans()cluster包里有大量的聚类和可视化技术,clv包里则有一些聚类确认程序,e1071包的classAgreement()可计算Rand index比较两种分类结果。Trimmed k-means聚类分析可由trimcluster包实现,聚类融合方法(Cluster Ensembles)由clue包实现,clusterSim包能帮助选择最佳的聚类,hybridHclust包提供一些混合聚类方法。energy包里有基于E统计量的距离测度函数edist()和等级聚类方法hclust.energy()LLAhclust包提供基于似然(likelihood linkage)方法的聚类,也有评定聚类结果的指标。fpc包里有基于Mahalanobis距离的聚类。clustvarsel包有多种基于模型的聚类。模糊聚类(fuzzy clustering)可在cluster包和hopach包里实现。Kohonen包提供用于高维谱(spectra)或模式(pattern)的有监督和无监督的SOM算法。clusterGeneration包帮助模拟聚类。CRAN的Environmetrics任务列表里也有相关的聚类算法的综述。mclust包实现了基于模型的聚类,MFDA包实现了功能数据的基于模型的聚类。
  • 树方法: CRAN的MachineLearning任务列表有对树方法的细节描述。分类树也常常是重要的多元方法,rpart包正是这样的包,rpart.permutation包还可以做rpart()模型的置换(permutation)检验。TWIX包的树可以外部剪枝。hier.part包分割多元数据集的方差。mvpart包可做多元回归树,party包实现了递归分割(recursive partitioning),rrp包实现了随机递归分割。caret包可做分类和回归训练,进而caretLSF包实现了并行处理。kknn包的k-近邻法可用于回归,也可用于分类。
  1. 有监督分类和判别分析(Supervised classification and discriminant analysis): MASS包里的lda()qda()分别针对线性和二次判别分析。mda包的mda(), fda()允许混合和更灵活的判别分析,mars()做多元自适应样条回归(multivariate adaptive regression splines),bruto()做自适应样条后退拟合(adaptive spline backfitting)。earth包里也有多元自适应样条回归的函数。rda包可用质心收缩法(shrunken centroids regularized discriminant analysis)实现高维数据的分类。VRclass包的knn()函数执行k-最近邻算法,knncat包里有针对分类变量的k-最近邻算法。SensoMineR包的FDA()用于因子判别分析。许多包结合了降维(dimension reduction)和分类。klaR包可以做变量选择,可处理多重共线性,还有可视化函数。superpc包利用主成分做有监督的分类,classPP包则可为其做投影寻踪(projection pursuit),gpls包用广义偏最小二乘做分类。hddplot包用交叉验证的线性判别分析决定最优的特征个数。supclust包可以根据芯片数据做基因的监督聚类。ROCR提供许多评估分类执行效果的方法。predbayescor包可做朴素贝叶斯(naïve Bayes)分类。关于监督分类的更多信息可以看MachineLearning任务列表。

  2. 对应分析(Correspondence analysis): MASS包的corresp()mca()可以做简单和多重对应分析。ca包提供单一、多重和联合(joint)对应分析。ade4包的ca()mca()分别做一般的和多重对应分析。vegan包里也有类似的函数。cocorresp可实现两个矩阵间的co-correspondence分析。FactoMineR包的CA()MCA()函数也能做类似的简单和多重对应分析,还有画图函数。homals执行同质分析(homogeneity)。

  3. 前向查找(Forward search): Rfwdmv包执行多元数据的前向查找。

  4. 缺失数据(Missing data): mitools包里有缺失数据的多重估算(multiple imputation)的函数, mice包用chained equations实现了多重估算,mvnmle包可以为多元正态数据的缺失值做最大似然估计(ML Estimation),norm包提供了适合多元正态数据的估计缺失值的期望最大化算法(EM algorithm),cat包允许分类数据的缺失值的多重估算,mix包适用于分类和连续数据的混合数据。pan包可为面版数据(panel data)的缺失值做多重估算。VIM包做缺失数据的可视化和估算。Hmisc包的aregImpute()transcan()提供了其它的估算缺失值方法。EMV包提供了knn方法估计缺失数据。monomvn包估计单调多元正态数据的缺失值。

  5. 隐变量方法(Latent variable approaches): stats包的factanal()执行最大似然因子分析,MCMCpack包可做贝叶斯因子分析。GPArotation包提供投影梯度(Gradient Projection)旋转因子法。FAiR包用遗传算法作因子分析。ifa包可用于非正态的变量。sem包拟合线形结构方程模型。ltm包可做隐含式语义分析 (Latent semantic analysis),eRm包则可拟合Rasch模型(Rasch models)。FactoMineR包里有很多因子分析的方法,包括:MFA()多元因子分析,HMFA()等级多元因子分析,ADFM()定量和定性数据的多元因子分析。tsfa包执行时间序列的因子分析。poLCA包针对多分类变量(polytomous variable)做潜类别分析(Latent Class Analysis)。

  6. 非高斯数据建模(Modelling non-Gaussian data): bivpois包建模Poisson分布的二变量。mprobit包提供了适合二元和顺序响应变量的多元概率模型。MNP包实现了Bayesian多元概率模型。polycor包可计算多组相关(olychoric correlation)和四分相关(tetrachoric correlation)矩阵。bayesm包里有多种模型,如:表面非相关回归(Seemingly unrelated Regression),多元logit/probit模型, 工具变量法(Instrumental Variables)。VGAM包里有:广义线形和可加模型(Vector Generalised Linear and Additive Models),减秩回归(Reduced Rank regression)。

  7. 矩阵处理(Matrix manipulations): R作为一种基于向量和矩阵的语言,有许多处理矩阵的强有力的工具,由包MatrixSparseM实现。matrixcalc包增加了矩阵微积分的功能。spam包提供了更深入的针对稀疏矩阵的方法。

  8. 其它(Miscellaneous utitlies): DEA包执行数据包络分析(data envelopment analysis,DEA)。abind包组合多维array。Hmisc包的mApply()扩充了apply()的功能。除了前面描述的功能,sn包还未偏正态和偏t分布提供边缘化(marginalisation)、仿射变换(affine transformations)等。SharedHT2包执行芯片数据的Hotelling’s T2检验。panel包里有面版数据(panel data)的建模方法。mAr包可做向量自回归模型(vector auto-regression),MSBVAR包里有贝叶斯向量自回归模型。Hmisc包的rm.boot()函数bootstrap重复测量试验(Repeated Measures Models)。compositions包提供复合数据分析(compositional data analysis)。cramer包为两样本数据做多元非参Cramer检验。psy里有许多心理学的常用方法。cwhmisc包集合的cwhmath包里有许多有趣的功能,如各种旋转函数。desirability包提供了基于密度函数的多变量最优化方法。geozoo包可以画geozoo包里定义的几何对象。


5 Machine Learning & Statistical Learning (机器学习 & 统计学习)

机器学习是计算机科学和统计学的边缘交叉领域,R关于机器学习的包主要包括以下几个方面:

  1. 神经网络(Neural Networks): nnet包执行单隐层前馈神经网络,nnet是VR包的一部分(http://cran.r-project.org/web/packages/VR/index.html)。

  2. 递归拆分(Recursive Partitioning):递归拆分利用树形结构模型,来做回归、分类和生存分析,主要在rpart包(http://cran.r-project.org/web/packages/rpart/index.html)和tree包(http://cran.r-project.org/web/packages/tree/index.html)里执行,尤其推荐rpart包。Weka里也有这样的递归拆分法,如:J4.8, C4.5, M5,包Rweka提供了R与Weka的函数的接口(http://cran.r-project.org/web/packages/RWeka/index.html)。 party包提供两类递归拆分算法,能做到无偏的变量选择和停止标准:函数ctree()用非参条件推断法检测自变量和因变量的关系;而函数mob()能用来建立参数模型(http://cran.r-project.org/web/packages/party/index.html)。另外,party包里也提供二分支树和节点分布的可视化展示。mvpart包是rpart的改进包,处理多元因变量的问题(http://cran.r-project.org/web/packages/mvpart/index.html)。rpart.permutation包用置换法(permutation)评估树的有效性(http://cran.r-project.org/web/packages/rpart.permutation/index.html)。knnTree包建立一个分类树,每个叶子节点是一个knn分类器(http://cran.r-project.org/web/packages/knnTree/index.html)。LogicReg包做逻辑回归分析,针对大多数自变量是二元变量的情况(http://cran.r-project.org/web/packages/LogicReg/index.html)。maptree包(http://cran.r-project.org/web/packages/maptree/index.html)和pinktoe包(http://cran.r-project.org/web/packages/pinktoe/index.html)提供树结构的可视化函数。

  3. 随机森林(Random Forests):randomForest包提供了用随机森林做回归和分类的函数(http://cran.r-project.org/web/packages/randomForest/index.html)。ipred包用bagging的思想做回归,分类和生存分析,组合多个模型(http://cran.r-project.org/web/packages/ipred/index.html)。party包也提供了基于条件推断树的随机森林法(http://cran.r-project.org/web/packages/party/index.html)。varSelRF包用随机森林法做变量选择(http://cran.r-project.org/web/packages/varSelRF/index.html)。

  4. Regularized and Shrinkage Methods:lasso2包(http://cran.r-project.org/web/packages/lasso2/index.html)和lars包(http://cran.r-project.org/web/packages/lars/index.html)可以执行参数受到某些限制的回归模型。elasticnet包可计算所有的收缩参数(http://cran.r-project.org/web/packages/elasticnet/index.html)。glmpath包可以得到广义线性模型和COX模型的L1 regularization path(http://cran.r-project.org/web/packages/glmpath/index.html)。penalized包执行lasso (L1)和ridge (L2)惩罚回归模型(penalized regression models)(http://cran.r-project.org/web/packages/penalized/index.html)。pamr包执行缩小重心分类法(shrunken centroids classifier)(http://cran.r-project.org/web/packages/pamr/index.html)。earth包可做多元自适应样条回归(multivariate adaptive regression splines)(http://cran.r-project.org/web/packages/earth/index.html)。

  5. Boosting : gbm包(http://cran.r-project.org/web/packages/gbm/index.html)和boost包(http://cran.r-project.org/web/packages/boost/index.html)执行多种多样的梯度boosting算法,gbm包做基于树的梯度下降boosting,boost包包括LogitBoost和L2Boost。GAMMoost包提供基于boosting的广义相加模型(generalized additive models)的程序(http://cran.r-project.org/web/packages/GAMMoost/index.html)。mboost包做基于模型的boosting(http://cran.r-project.org/web/packages/mboost/index.html)。

  6. 支持向量机(Support Vector Machines):e1071包的svm()函数提供R和LIBSVM的接口 (http://cran.r-project.org/web/packages/e1071/index.html)。kernlab包为基于核函数的学习方法提供了一个灵活的框架,包括SVM、RVM……(http://cran.r-project.org/web/packages/kernlab/index.html) 。klaR包提供了R和SVMlight的接口(http://cran.r-project.org/web/packages/klaR/index.html)。

  7. 贝叶斯方法(Bayesian Methods): BayesTree包执行Bayesian Additive Regression Trees (BART)算法(http://cran.r-project.org/web/packages/BayesTree/index.htmlhttp://www-stat.wharton.upenn.edu/~edgeorge/Research_papers/BART%206--06.pdf)。tgp包做Bayesian半参数非线性回归(Bayesian nonstationary, semiparametric nonlinear regression)(http://cran.r-project.org/web/packages/tgp/index.html)。

  8. 基于遗传算法的最优化(Optimization using Genetic Algorithms):gafit包(http://cran.r-project.org/web/packages/gafit/index.html)和rgenoud包(http://cran.r-project.org/web/packages/rgenoud/index.html)提供基于遗传算法的最优化程序。

  9. 关联规则(Association Rules):arules包提供了有效处理稀疏二元数据的数据结构,而且提供函数执Apriori和Eclat算法挖掘频繁项集、最大频繁项集、闭频繁项集和关联规则(http://cran.r-project.org/web/packages/arules/index.html)。

  10. 模型选择和确认(Model selection and validation):e1071包的tune()函数在指定的范围内选取合适的参数(http://cran.r-project.org/web/packages/e1071/index.html)。ipred包的errorest()函数用重抽样的方法(交叉验证,bootstrap)估计分类错误率(http://cran.r-project.org/web/packages/ipred/index.html)。svmpath包里的函数可用来选取支持向量机的cost参数C(http://cran.r-project.org/web/packages/svmpath/index.html)。ROCR包提供了可视化分类器执行效果的函数,如画ROC曲线(http://cran.r-project.org/web/packages/ROCR/index.html)。caret包供了各种建立预测模型的函数,包括参数选择和重要性量度(http://cran.r-project.org/web/packages/caret/index.html)。caretLSF包(http://cran.r-project.org/web/packages/caretLSF/index.html)和caretNWS(http://cran.r-project.org/web/packages/caretNWS/index.html)包提供了与caret包类似的功能。

  11. 统计学习基础(Elements of Statistical Learning):书《The Elements of Statistical Learning: Data Mining, Inference, and Prediction》(http://www-stat.stanford.edu/~tibs/ElemStatLearn/)里的数据集、函数、例子都被打包放在ElemStatLearn包里(http://cran.r-project.org/web/packages/ElemStatLearn/index.html)。


6 背景介绍:

  1. Weka:Weka有两种意思:一种不会飞的鸟的名字,一个机器学习开源项目的简称(Waikato Environment for Knowledge Analysis,http://www.cs.waikato.ac.nz/~ml/weka/)。我们这里当然要介绍的是第二种意思啦,Weka项目从1992年开始,由新西兰政府支持,现在已在机器学习领域大名鼎鼎。Weka里有非常全面的机器学习算法,包括数据预处理、分类、回归、聚类、关联规则等。Weka的图形界面对不会写程序的人来说非常方便,而且提供“KnowledgeFlow”功能,允许将多个步骤组成一个工作流。另外,Weka也允许在命令行执行命令。

  2. R:R就不用我废话了吧,呵呵,越来越受欢迎的统计软件(http://www.r-project.org/)。

  3. R与Weka:R里有很多机器学习的函数和包,不过Weka里提供的函数更全面更集中,所以我有时候需要用到Weka。以前我是这样用R和Weka的:

  • 在R中准备好训练的数据(如:提取数据特征……);
  • 整理成Weka需要的格式(*.arff);
  • 在Weka里做机器学习(如:特征选择、分类……);
  • 从Weka的预测结果计算需要的统计量(如:sensitivity, specificity, MCC……)。

来回捣腾两个软件还是挺麻烦的;为了偷懒,我没学Weka的命令行,只会用图形界面的,在数据量大的时候非常受罪,有时候还会内存不够。现在发现R竟然提供了和Weka的接口函数包RWeka,以后方便多了哦,下面介绍一下RWeka的功能:

RWeka (http://cran.r-project.org/web/packages/RWeka/index.html):

  1. 数据输入和输出
  • WOW():查看Weka函数的参数。
  • Weka_control():设置Weka函数的参数。
  • read.arff():读Weka Attribute-Relation File Format (ARFF)格式的数据。
  • write.arff:将数据写入Weka Attribute-Relation File Format (ARFF)格式的文件。
  1. 数据预处理
  • Normalize():无监督的标准化连续性数据。
  • Discretize():用MDL(Minimum Description Length)方法,有监督的离散化连续性数值数据。
  1. 分类和回归
  • IBk():k最近邻分类
  • LBR():naive Bayes法分类
  • J48():C4.5决策树算法(决策树在分析各个属性时,是完全独立的)。
  • LMT():组合树结构和Logistic回归模型,每个叶子节点是一个Logistic回归模型,准确性比单独的决策树和Logistic回归方法要好。
  • M5P():M5 模型数算法,组合了树结构和线性回归模型,每个叶子节点是一个线性回归模型,因而可用于连续数据的回归。
  • DecisionStump():单层决策树算法,常被作为boosting的基本学习器。
  • SMO():支持向量机分类
  • AdaBoostM1():Adaboost M1方法。-W参数指定弱学习器的算法。
  • Bagging():通过从原始数据取样(用替换方法),创建多个模型。
  • LogitBoost():弱学习器采用了对数回归方法,学习到的是实数值
  • MultiBoostAB():AdaBoost 方法的改进,可看作AdaBoost和“wagging”的组合。
  • Stacking():用于不同的基本分类器集成的算法。
  • LinearRegression():建立合适的线性回归模型。
  • Logistic():建立logistic回归模型。
  • JRip():一种规则学习方法。
  • M5Rules():用M5方法产生回归问题的决策规则。
  • OneR():简单的1-R分类法。
  • PART():产生PART决策规则。
  1. 聚类
  • Cobweb():这是种基于模型方法,它假设每个聚类的模型并发现适合相应模型的数据。不适合对大数据库进行聚类处理。
  • FarthestFirst():快速的近似的k均值聚类算法
  • SimpleKMeans():k均值聚类算法
  • XMeans():改进的k均值法,能自动决定类别数
  • DBScan():基于密度的聚类方法,它根据对象周围的密度不断增长聚类。它能从含有噪声的空间数据库中发现任意形状的聚类。此方法将一个聚类定义为一组“密度连接”的点集。
  1. 关联规则
  • Apriori():Apriori是关联规则领域里最具影响力的基础算法,是一种广度优先算法,通过多次扫描数据库来获取支持度大于最小支持度的频繁项集。它的理论基础是频繁项集的两个单调性原则:频繁项集的任一子集一定是频繁的;非频繁项集的任一超集一定是非频繁的。在海量数据的情况下,Apriori 算法的时间和空间成本非常高。

  • Tertius():Tertius算法。

  1. 预测和评估
  • predict():根据分类或聚类结果预测新数据的类别
  • table():比较两个因子对象
  • evaluate_Weka_classifier():评估模型的执行,如:TP Rate,FP Rate,Precision,Recall,F-Measure
0%