R语言与数据挖掘学习笔记(常用的包)

原文地址：http://52analysis.com/R/1671.html   今天发现一个很不错的博客(http://www.RDataMining.com)， 博主致力于研究R语言在数据挖掘方面的应用，正好近期很想系统的学习一下R语言和数据挖掘的整个流程，看了这个博客的内容，心里久久不能平静。决定从今天 开始，只要晚上能在11点之前把碗洗好，就花一个小时的时间学习博客上的内容，并把学习过程中记不住的信息记录下来，顺便把离英语四级的差距尽量缩小。 下面列出了可用于数据挖掘的R包和函数的集合。其中一些不是专门为了数据挖掘而开发，但数据挖掘过程中这些包能帮我们不少忙，所以也包含进来。 1、聚类 常用的包： fpc，cluster，pvclust，mclust 基于划分的方法: kmeans, pam, pamk, clara 基于层次的方法: hclust, pvclust, agnes, diana 基于模型的方法: mclust 基于密度的方法: dbscan 基于画图的方法: plotcluster, plot.hclust 基于验证的方法: cluster.stats 2、分类 常用的包： rpart，party，randomForest，rpartOrdinal，tree，marginTree， maptree，survival 决策树: rpart, ctree 随机森林: cforest, randomForest 回归, Logistic回归, Poisson回归: glm, predict, residuals 生存分析: survfit, survdiff, coxph 3、关联规则与频繁项集 常用的包： arules：支持挖掘频繁项集，最大频繁项集，频繁闭项目集和关联规则 DRM：回归和分类数据的重复关联模型 APRIORI算法，广度RST算法：apriori, drm ECLAT算法： 采用等价类，RST深度搜索和集合的交集： eclat 4、序列模式 常用的包： arulesSequences SPADE算法： cSPADE 5、时间序列 常用的包： timsac 时间序列构建函数： ts 成分分解: decomp, decompose, stl, tsr 6、统计 常用的包： Base R, nlme 方差分析: aov, anova 密度分析: density 假设检验: t.test, prop.test, anova, aov 线性混合模型：lme 主成分分析和因子分析：princomp 7、图表 条形图: barplot 饼图: pie 散点图: dotchart 直方图: hist 密度图: densityplot 蜡烛图, 箱形图 boxplot QQ (quantile-quantile) 图: qqnorm, qqplot, qqline Bi-variate plot: coplot 树: rpart Parallel coordinates: parallel, paracoor, parcoord 热图, contour: contour, filled.contour 其他图: stripplot, sunflowerplot, interaction.plot, matplot, fourfoldplot, assocplot, mosaicplot 保存的图表格式: pdf, postscript, win.metafile, jpeg, bmp, png 8、数据操作 缺失值：na.omit 变量标准化：scale 变量转置：t 抽样：sample 堆栈：stack, unstack 其他：aggregate, merge, reshape 9、与数据挖掘软件Weka做接口 RWeka: 通过这个接口，可以在R中使用Weka的所有算法。   相关推荐阅读： 算法一：R语言与机器学习学习笔记(分类算法)(1)K-近邻算法 算法二：R语言与机器学习学习笔记（分类算法）（2）决策树算法 算法三：R语言与机器学习学习笔记（分类算法）（3）朴素贝叶斯 算法四：R语言与机器学习学习笔记（分类算法）（4）支持向量机 算法五：R语言与机器学习学习笔记（分类算法）（5）神经网络 算法六：R语言与机器学习学习笔记（分类算法）（6）logistic回归