Phenquestions
Готово сви почетници научници и програмери машинског учења збуњени су одабиром програмског језика. Увек се питају који програмски језик ће бити најбољи за њихов пројекат машинског учења и науке о подацима. Или ћемо се одлучити за питхон, Р или МатЛаб. Па, избор програмског језика зависи од преференција програмера и системских захтева. Између осталих програмских језика, Р је један од најперспективнијих и најсјајнијих програмских језика који има неколико Р пакета машинског учења за МЛ, АИ и пројекте науке о подацима.
Као последица, може се развити његов пројекат без напора и ефикасно коришћењем ових Р пакета за машинско учење. Према истраживању компаније Каггле, Р је један од најпопуларнијих језика за машинско учење отвореног кода.
Најбољи пакети машинског учења Р
Р је језик отвореног кода тако да људи могу да дају свој допринос било где у свету. У свом коду можете да користите црну кутију коју је написао неко други. У Р, ова Црна кутија се назива пакетом. Пакет није ништа друго до унапред написан код који свако може више пута користити. У наставку приказујемо 20 најбољих Р пакета машинског учења.
1. ЦАРЕТ
Пакет ЦАРЕТ односи се на класификацију и регресиону обуку. Задатак овог ЦАРЕТ пакета је да интегрише обуку и предвиђање модела. То је један од најбољих пакета Р-а за машинско учење као и за науку о подацима.
Параметри се могу претраживати интегрисањем неколико функција за израчунавање укупних перформанси датог модела коришћењем методе претраживања мреже у овом пакету. Након успешног завршетка свих покуса, претрага мреже коначно проналази најбоље комбинације.
Након инсталирања овог пакета, програмер може покренути имена (гетМоделИнфо ()) да би видео 217 могућих функција које се могу покренути кроз само једну функцију. За изградњу предиктивног модела, пакет ЦАРЕТ користи функцију траин (). Синтакса ове функције:
воз (формула, подаци, метода)
Документација
2. рандомФорест
РандомФорест је један од најпопуларнијих Р пакета за машинско учење. Овај пакет Р машинског учења може се користити за решавање задатака регресије и класификације. Поред тога, може се користити за тренинг недостајућих вредности и одступања.
Овај пакет за машинско учење са Р обично се користи за генерисање вишеструког броја стабала одлука. У основи се узимају случајни узорци. А онда се запажања дају у стабло одлучивања. Коначно, заједнички излаз који долази из стабла одлука је крајњи резултат. Синтакса ове функције:
рандомФорест (формула =, подаци =)
Документација
3. е1071
Овај е1071 је један од најчешће коришћених Р пакета за машинско учење. Користећи овај пакет, програмер може да примени векторске машине подршке (СВМ), израчунавање најкраће путање, кластеровање у врећама, Наиве Баиесов класификатор, краткотрајну Фоуриерову трансформацију, нејасно кластерирање итд.
На пример, за ИРИС податке СВМ синтакса је:
свм (Врсте ~ Сепал.Дужина + Сепал.Ширина, подаци = ирис)
Документација
4. Рпарт
Рпарт означава рекурзивну обуку за поделу и регресију. Овај Р пакет за машинско учење може да обавља оба задатка: класификацију и регресију. Делује помоћу двостепеног корака. Излазни модел бинарног стабла. Функција плот () користи се за цртање излазног резултата. Такође, постоји алтернативна функција, функција прп (), која је флексибилнија и моћнија од основне функције плот ().
Функција рпарт () користи се за успостављање везе између независних и зависних променљивих. Синтакса је:
рпарт (формула, подаци =, метода =, контрола =)
где је формула комбинација независних и зависних променљивих, подаци су назив скупа података, метода је циљ, а контрола је ваш системски захтев.
Документација
5. КернЛаб
Ако желите да развијете свој пројекат заснован на алгоритмима машинског учења заснованог на језгру, онда можете да користите овај Р пакет за машинско учење. Овај пакет се користи за СВМ, анализу карактеристика језгра, алгоритам рангирања, примитивне тачке производа, Гауссов процес и многе друге. КернЛаб се широко користи за СВМ имплементације.
Доступне су разне функције језгра. Овде су поменуте неке функције језгра: полидот (полиномна функција зрна), танхдот (хиперболична тангентна функција зрна), лаплацедот (лаплацијева функција зрна) итд. Ове функције се користе за обављање проблема са препознавањем узорака. Али корисници могу да користе своје функције језгра уместо унапред дефинисаних функција језгра.
Документација
6. ннет
Ако желите да развијете своју апликацију за машинско учење помоћу вештачке неуронске мреже (АНН), овај ннет пакет вам може помоћи. То је један од најпопуларнијих и најлакших примена у пакету неуронских мрежа. Али ограничење је то што је то један слој чворова.
Синтакса овог пакета је:
ннет (формула, подаци, величина)
Документација
7. дплир
Један од најчешће коришћених Р пакета за науку о подацима. Такође, пружа неке једноставне, брзе и доследне функције за манипулацију подацима. Хадлеи Вицкхам пише овај р програмски пакет за науку о подацима. Овај пакет се састоји од скупа глагола и.е., мутирати (), одабрати (), филтрирати (), сажети () и распоредити ().
Да бисте инсталирали овај пакет, морате написати овај код:
инсталирај.пакети („дплир“)
А да бисте учитали овај пакет, морате написати ову синтаксу:
библиотека (дплир)
Документација
8. ггплот2
Још један од најелегантнијих и најестетичнијих графичких оквира Р пакета за науку о подацима је ггплот2. То је систем за стварање графике заснован на граматици графике. Синтакса инсталације за овај пакет науке о подацима је:
инсталирај.пакети („ггплот2“)
Документација
9. Вордцлоуд
Када се једна слика састоји од хиљада речи, тада се назива Вордцлоуд. У основи, то је визуализација текстуалних података. Овај пакет за машинско учење помоћу Р користи се за стварање репрезентације речи, а програмер може прилагодити Вордцлоуд према својим жељама, попут распоређивања речи случајно или речи исте фреквенције заједно или речи високе фреквенције у центру итд.
На језику Р машинског учења доступне су две библиотеке за стварање вордцлоуд-а: Вордцлоуд и Ворлдцлоуд2. Овде ћемо приказати синтаксу за ВордЦлоуд2. Да бисте инсталирали ВордЦлоуд2, морате написати:
1. захтевају (девтоолс)
2. инсталл_гитхуб (“лцхиффон / вордцлоуд2”)
Или га можете користити директно:
библиотека (вордцлоуд2)
Документација
10. тидир
Још један широко коришћен р пакет за науку о подацима је тидир. Циљ овог р програмирања за науку података је сређивање података. У уредном стању, променљива се ставља у колону, посматрање се ставља у ред, а вредност је у ћелији. Овај пакет описује стандардни начин сортирања података.
За инсталацију можете користити овај фрагмент кода:
инсталирај.пакети („уредно“)
За учитавање, код је:
библиотека (уредно)
Документација
11. сјајна
Пакет Р, Схини, један је од оквира веб апликација за науку о подацима. Помаже у изградњи веб апликација из Р-а без напора. Било програмер може да инсталира софтвер на сваком клијентском систему или у кабини хостује веб страницу. Такође, програмер може да прави контролне табле или да их угради у Р Маркдовн документе.
Поред тога, сјајне апликације могу се проширити разним скриптним језицима попут ХТМЛ виџета, ЦСС тема и ЈаваСцрипт радњи. Једном речју, можемо рећи да је овај пакет комбинација рачунарске снаге Р и интерактивности савременог веба.
Документација
12. тм
Непотребно је рећи да је рударење текста данас примена машинског учења. Овај пакет Р машинског учења пружа оквир за решавање задатака за руковање текстом. У апликацији за руковање текстом, тј.е., анализу сентимента или класификацију вести, програмер има разне врсте заморних послова попут уклањања нежељених и ирелевантних речи, уклањања интерпункцијских знакова, уклањања зауставних речи и многих других.
Пакет тм садржи неколико флексибилних функција које олакшавају ваш рад попут ремовеНумберс (): уклањање бројева из датог текстуалног документа, веигхтТфИдф (): за појам Фреквенција и инверзна фреквенција документа, тм_редуце (): за комбиновање трансформација, ремовеПунцтуатион () у уклоните интерпункцијске знакове из датог текстуалног документа и још много тога.
Документација
13. МИЦЕ пакет
Пакет машинског учења са Р, МИЦЕ односи се на мултиваријантну импутацију преко ланчаних секвенци. Готово све време, програмер пројекта суочава се са уобичајеним проблемом скупа података о машинском учењу који је вредност која недостаје. Овај пакет се може користити за импутирање вредности које недостају помоћу више техника.
Овај пакет садржи неколико функција као што су преглед образаца недостајућих података, дијагностиковање квалитета импутираних вредности, анализа завршених скупова података, складиштење и извоз импутираних података у различитим форматима и још много тога.
Документација
14. играпх
Пакет мрежне анализе, играпх, један је од моћних Р пакета за науку о подацима. То је колекција моћних, ефикасних, једноставних за употребу и преносивих алата за анализу мреже. Такође, овај пакет је отворен и бесплатан. Поред тога, играпхн се може програмирати на Питхон, Ц / Ц ++ и Матхематица.
Овај пакет има неколико функција за генерисање случајних и регуларних графова, визуализацију графа итд. Такође, можете радити са великим графом користећи овај Р пакет. Постоје неки захтеви за употребу овог пакета: за Линук су потребни компајлер Ц и Ц ++.
Инсталација овог Р програмског пакета за науку о подацима је:
инсталирај.пакети („играпх“)
Да бисте учитали овај пакет, морате написати:
библиотека (играпх)
Документација
15. РОЦР
Пакет Р за науку о подацима, РОЦР, користи се за визуализацију перформанси класификовања бодовања. Овај пакет је флексибилан и лак за употребу. Потребне су само три наредбе и подразумеване вредности за опционалне параметре. Овај пакет се користи за развијање граничних параметара 2Д перформанси. У овом пакету постоји неколико функција попут предвиђања (), које се користе за стварање објеката предвиђања, перформансе () које се користе за стварање објеката перформанси итд.
Документација
16. ДатаЕкплорер
Пакет ДатаЕкплорер један је од најобухватнијих Р пакета за науку о подацима. Међу бројним задацима науке о подацима, истраживачка анализа података (ЕДА) један је од њих. У истраживачкој анализи података, аналитичар података мора посветити више пажње у подацима. Није лак посао ручно проверити или руковати подацима или користити лоше кодирање. Потребна је аутоматизација анализе података.
Овај Р пакет за науку о подацима пружа аутоматизацију истраживања података. Овај пакет се користи за скенирање и анализу сваке променљиве и њихову визуализацију. Корисно је када је скуп података масиван. Дакле, анализа података може ефикасно и без напора извући скривено знање из података.
Пакет се може инсталирати из ЦРАН-а директно користећи доњи код:
инсталирај.пакети („ДатаЕкплорер“)
Да бисте учитали овај Р пакет, морате написати:
библиотека (ДатаЕкплорер)
Документација
17. млр
Један од најневероватнијих пакета Р машинског учења је млр пакет. Овај пакет је шифровање неколико задатака машинског учења. То значи да можете извршити неколико задатака само користећи један пакет, а за три различита задатка није потребно користити три пакета.
Пакет млр је интерфејс за бројне технике класификације и регресије. Технике укључују машински читљиве описе параметара, груписање, генеричко поновно узорковање, филтрирање, издвајање карактеристика и још много тога. Такође, могу се радити паралелне операције.
За инсталацију морате користити доњи код:
инсталирај.паковања („млр“)
Да бисте учитали овај пакет:
библиотека (млр)
Документација
18. арулес
Пакет, који се примењује (правила удруживања рудника и чести скупови предмета), је широко коришћен пакет Р машинског учења. Коришћењем овог пакета може се извршити неколико операција. Операције су представљање и анализа трансакција података и образаца и манипулација подацима. Доступне су и Ц имплементације алгоритама за удруживање Априори и Ецлат.
Документација
19. мбоост
Још један Р пакет машинског учења за науку података је мбоост. Овај пакет за повишење заснован на моделу има функционални алгоритам спуштања за оптимизацију општих функција ризика коришћењем регресионих стабала или процена најмањих квадрата по компонентама. Такође, пружа модел интеракције са потенцијално високим димензијама података.
Документација
20. журка
Још један пакет у машинском учењу са Р је забава. Овај рачунски сет алата користи се за рекурзивно партиционирање. Главна функција или језгро овог пакета машинског учења је цтрее (). То је широко коришћена функција која смањује време тренинга и пристрасност.
Синтакса цтрее () је:
цтрее (формула, подаци)
Документација
Завршавајући мисли
Р је тако истакнути програмски језик који користи статистичке методе и графиконе за истраживање података. Непотребно је рећи да овај језик има неколико бројева Р пакета за машинско учење, невероватан РСтудио алат и лако разумљиву синтаксу за развој напредних пројеката машинског учења. У паковању од Р мл постоје неке подразумеване вредности. Пре него што га примените у свој програм, морате детаљно да знате разне опције. Коришћењем ових пакета за машинско учење свако може да изгради ефикасан модел машинског учења или науке о подацима. На крају, Р је језик отвореног кода и његови пакети непрестано расту.
Ако имате било какве сугестије или питања, оставите коментар у нашем одељку за коментаре. Овај чланак такође можете поделити са пријатељима и породицом путем друштвених мрежа.
