aihali的专栏

1. 自动安装（在线安装）在R的控制台,输入install.packages("gridExtra")  # 安装 gridExtrainstall.packages("stepNorm", contriburl="http://www.your.url",  dependencies = TRUE) # 安装 stepNorm若要指定安装目录 (e.g. “myd

R语言数据储存与读取1 首先用getwd() 获得当前目录，用setwd("C:/data")设定当前目录 2 数据保存创建数据框d>d data.frame(obs = c(1, 2, 3), treat = c("A", "B", "A"), weight = c(2.3, NA, 9))2.1 保存为简单文本>write.table(d

在回归分析中，测定值与按回归方程预测的值之差，以δ表示。残差δ遵从正态分布N(0，σ2)。δ与σ之比，称为标准化残差，以δ*表示。δ*遵从标准正态分布N(0，1)。实验点的标准化残差落在(-2，2)区间以外的概率≤0.05。若某一实验点的标准化残差落在(-2，2)区间以外，可在95％置信度将其判为异常实验点，不参与回归线拟合。

在泛函分析中，卷积（捲積）、旋積、疊積或摺積，是通过两个函数f和g生成第三个函数的一种数学算子，表征函数f与经过翻转和平移的g的重叠部分的面积。如果将参加卷积的一个函数看作区间的指示函数，卷积还可以被看作是“移动平均”的推广。   卷积是分析数学中一种重要的运算。设：,是上的两个可积函数，作积分：   可以证明，关于几乎所有的，上述积分是存在的。这样，随着的不同取值，这

白噪声，是一种功率谱密度为常数的随机信号或随机过程。即，此信号在各个频段上的功率是一样的。由于白光是由各种频率（颜色）的单色光混合而成，因而此信号的这种具有平坦功率谱的性质被称作是“白色的”，此信号也因此被称作白噪声。相对的，其他不具有这一性质的噪声信号被称为有色噪声。    理想的白噪声具有无限带宽，因而其能量是无限大，这在现实世界是不可能存在的。实际上，我们常常将有限带宽的平整信号视为

偏相关分析是指当两个变量同时与第三个变量相关时，将第三个变量的影响剔除，只分析另外两个变量之间相关程度的过程。p值是针对原假设H0：假设两变量无线性相关而言的。一般假设检验的显著性水平为0.05，你只需要拿p值和0.05进行比较：如果p值小于0.05，就拒绝原假设H0，说明两变量有线性相关的关系，他们无线性相关的可能性小于0.05；如果大于0.05，则一般认为无线性相关关系，至于相关的程度

在统计里，两个随机变量X，Y的相关函数定义如下：也就是两个随机变量协方差除以标准差之积。如果X是一个时间的随机变量序列，将不同时间起始点的两个序列Xt和Xs看成两个随机变量，上面的相关函数则可表示为： 如果Xt是一个二阶稳态过程，即均值和方差不随时间而变化。，此时相关函数只是时间差τ=s-t的一个函数，则上式可重写为： 这就是统计学上的自

在数学中，狄拉克δ函数（Dirac Delta function）是在实直线上定义的，除了零以外的点都等于零，而其在整个定义域上的积分等于1 的广义函数或分布。有时认为δ函数是原点处的一个无限高、无限细，总面积为1的尖峰，物理上代表了理想化的质点或点电荷的密度。它是由理论物理学家保罗·狄拉克引入的。在信号处理中它往往被称为单位脉冲函数 。克罗内克δ函数是其离散的模拟，通常定义在有限域且只有0和

一元线形回归模型：有变量x,y。假设有关系y=c+bx+e,其中c+bx 是y随x变化的部分，e是随机误差。         可以很容易的用函数lm()求出回归参数b,c并作相应的假设检验，如：xylm.solsummary(lm.sol)仅列出部分返回结果：Residuals:  Min       1Q   Median    3

for (n in x) ｛expr}R中最基本的是for循环，其中n为循环变量，x通常是一个序列。n在每次循环时从x中顺序取值，代入到后面的expr语句中进行运算。下面的例子即是以for循环计算30个Fibonacci数。x for (i in 3:30) {    x }while (condition) {expr}当不能确定循环次数时，我们需要用while循

基本概念：1. 样本空间：实验所有可能的输出的集合。2. 随机变量：随机变量是一个映射（或函数），将映射到实数集。可以分为离散型随机变量和连续型随机变量。3. pmf和pdf：pmf（probability mass function）为离散型随机变量的概率分布，定义为，有是也写成f(x)；对于连续型随机变量，则p称为pdf（probability density fu

前言         朴素贝叶斯（NaïveBayes）法是基于贝叶斯定理与特征条件独立假设的分类方法。对于给定的训练数据集，首先是基于特征条件独立假设学习输入/输出的联合概率分布；然后基于此模型，对给定的输入x，利用贝叶斯定理求出后验概率最大的输出y。朴素贝叶斯方法实现简单，学习与预测的效率都很高，是一种常用的方法。1.1朴素贝叶斯的学习与分类1.1.1基本方法

在 import .csv資料 時:R指令: > exprs出現 Error in read.table(file = file, header = header, sep = sep, quote = quote, : more columns than column names,這是字元逃逸,先用 excel 打開該.csv檔,檢查內容是否正確,若正確再另存新檔