R酷的数据科学笔记

线性回归，又称普通最小二乘线性回归或简称OLS回归，是由数学家高斯和勒让德在19世纪初左右独立发展起来的，至今仍有关于谁应该为其发现负责的争论。然而，在它被发现的时候，它实际上并不被称为“回归”‍。这个词在弗朗西斯·高尔顿(Francis galton)的作品之后变得更加流行。高尔顿是英国知识分子中的多面手，也是查尔斯·达尔文的表亲。19世纪晚期，高尔顿研究了近1000名儿童的身高与其父母平均身高(父母中等身高)之间的关系。

并行计算基本上是指在同一实例中使用两个或两个以上（或处理器）来解决一个存在的问题。这里的主要目标是将任务分解为更小的子任务并同时完成它们。一个简单的示例将阐明并行计算的核心思想：如果没有并行运行的过程是：1）输入变量的数值这一看，节省了很多步骤，肯定比上面步骤所运行速度估计得快很多。

逻辑函数最初是由比利时数学家Pierre François Verhulst在19世纪中期引入的，作为人类、动物和某些植物和水果物种的人口增长建模工具。那时，人们普遍认为，人口增长不可能永远呈指数级增长，环境和资源的限制对人口的规模施加了最大的限制。Verhulst函数的公式为:其中e是指数常数，x0是x在中点的值，L是y的最大值(称为“承载力”)，k是曲线的最大斜率。

xgboost是Boost（提升）算法家族中的一员，Boost根本思想在于通过多个简单的弱分类器，构建出准确率很高的强分类器。简单地来说，Boost（提升）就是指每一步我都产生一个弱预测模型，通过加权累加到总模型中，可以用于回归和分类问题。如果每一步的弱预测模型生成都是依据损失函数的梯度方向，则称之为梯度提升(Gradient boosting)，这样若干步以后就可以达到逼近损失函数局部最小值的目标。

该函数中n阶循环是指可能你的数据集存在多种处理，也就是说存在不同处理变量间组合成新的子数据集。该函数的输出结果返回一个数据框，包含不同处理及bootstrap重采样的模型斜率的结果，最后可以利用统计学检验不同处理变量间的显著性差异。第一，可以实现不同类型模型的斜率比较；第二，可以解决不同变量处理间的多阶循环。主要参数的介绍data : 数据集R : bootstrap的次数sub : 需要对哪些变量进行划分成子数据集的循环equa : 对应构建模型的fomula。

R语言支持向量机

xgboost预测时间序列数据~

R语言机器学习~GBRT模型

R语言比较混合线性模型的不同类型~