skyonefly的博客

labelList = rep(c("yes","no"),c(2,3))label.count = table(labelList)> label.countlabelList no yes 3 2 #下面显示了，每一行个数as.numeric(label.count)>[1] 3 2#小技巧 和 factor 搭配使用，用factor 显示标签，Pyt

> deparse(substitute(uword_id))#uword_id原来为一个向量，现在转化为"uword_id"

R function 作用域R 在函数中调用另一个函数查看函数参数自由变量判断在另一个脚本中是否存在要调用的函数

ggplot 就像PS一样,是一层一层搭建起来的,层和层之间用+连接 ,直接写成一个语句关于aes,翻译过来叫美学特征,可以设置图形的横坐标,纵坐标,以及点的颜色,比如aes(colour = "green")大框架,也就是第一层(坐标轴,数据)ggplot(data = ,aes(x= ,y = )) +第二层,描点geom_point()+(当然也可以给geom_point设置颜色

ggplot2parallelggsave

为了程序的通用性， 最近在使用caret 包代替xgboost包外加记忆力比较差，所以扔上来防小白：训练数据包括 训练集， eval集训练集： 训练数据中用来训练模型的数据eval集： 训练过程中看训练数据训练出的模型的误差，相当于cross_validationlibrary(xgboost)#like python 训练数据dtrain <- xgb.DMatrix(train.m

R latex 接口数据存储R 语言分类器

WrongCode: CorrectCode: 注意区别！！！ 还是有两行忘记写注释了！ fs 其实是一个指针，判断是否为空时已经读入一个字节，指针移到了第一个字符之后，所以ObjectInputStream序列化读出的字节时，就会报错。

线性回归lm以及一些很好用的函数fit<- lm(weight~height,data = women)> summary(fit)Call:lm(formula = weight ~ height, data = women)Residuals: Min 1Q Median 3Q Max -1.7333 -1.1333 -0.3833 0.7417

>#取消科学计数法>options(scipen = 200)>#scipen 表示在200个数字以内都不使用科学计数法

eps,latex,plot 用.eps存储

缺失值处理一般包括三步： 1. 识别缺失数据； 2. 检查导致数据缺失的原因； 3. 删除包含缺失值的实例或用合理的数值代替（插补）缺失值。1.判断缺失值 函数is.na()、is.nan()和is.infinite()可分别用来识别缺失值、不可能值和无穷值。每个返回结果都是 TRUE或FALSE na表示缺失值 nan表示NOT A NUMBER infinite表示+-

**` v = as.vector(unlist(mylist[1]))`**

清除History 点图片中右上角刷子清除控制台历史`Ctrl+L`清除变量 rm(list = ls())比如，上图把p变量清除后，再执行就会提示Error: object 'p' not found

使用plot中的隐含参数log> x = seq(1,100,by = 0.1)> y = x> plot(x,y,pch = 3)> plot(x,y,pch = 3,log= "x")> plot(x,y,pch = 3,log= "xy")下面为执行结果：

首先，dfsane属于BB包，使用时应首先载入library("BB")nleqslv 属于nleqslve包，同样使用时应载入 library("nleqslve")DescriptionDerivative-Free Spectral Approach for solving nonlinear systems of equations求解非线性方程组衍生-自由

先上代码>library(Formula)>formula <- y ~ a/(1+exp(b*log(x) +c))>a = 133>b = 1>c = -5>x = c(1:100000)>Fformula = Formula(formula)>rFformula = attributes(Fformula)>fyData = eval(rFformula$rhs[[1]])

densityplot,xyplot,bwplot,cloud,dotplot,splom,smoothScatter,histagram,olot

model使用lm,glm线性模型拟合结果model <- lm(y ~ x....)当评价模型的适用性时，你可以绘制初始响应变量的预测值与残差的图形。例如，如下代码，可绘制一个常见的诊断图： >plot(predict(model,type = "response"),residuals(model,type = "deviance"))R将列出帽子值（hat value）、学生化残差值和Cook

axis里的las功能 注意看y的值 原代码plot(1:4,axes = FALSE)x.lab = c("CHINA","ANHUI","HEFEI","USTC")axis(1,1:4,x.lab)axis(2)box()grid()plot(1:4,axes = FALSE,las = 1)axis(1,1:4,x.lab,las = 2)axis(2,las = 1,xl

apply系列簇函数系列

#alpha error theta#虽然是python 标签 但缺少sigmoid <- function(x){ return (1.0/(1+exp(-x)))}#用什么样的优化算法 1 gradient descent 2 stochastic gradient descent# 3 controlnumber = 3#set max iterator timesm