《R语言数据分析与挖掘实战》——2.3 R数据分析包

本节书摘来自华章计算机《R语言数据分析与挖掘实战》一书中的第2章，第2.3节，作者 张良均，云伟标，王路，刘晓勇，更多章节内容可以访问云栖社区“华章计算机”公众号查看。

2.3　R数据分析包

R包主要包含的类别有空间数据分析类、机器学习与统计学习类、多元统计类、药物动力学数据分析类、计量经济类、金融分析类、并行计算类、数据库访问类。各类别都有相应的R包来实现其功能。例如，机器学习与统计学习类别就包含实现分类、聚类、关联规则、时间序列分析等功能的R包。

R在数据挖掘领域也提供了足够的支持，如分类、聚类、关联规则挖掘等，通过加载不同的R包就能够实现相应的数据挖掘功能，如表2-1所示。

分类是数据挖掘领域研究的主要问题之一，分类器作为解决问题的工具一直是研究的热点。常用的分类器有神经网络、随机森林、支持向量机、决策树等，这些分类器都有各自的性能特点。

nnet包执行单隐层前馈神经网络，nnet()函数涉及的主要参数有隐层节点数（size）、节点权重（weights）、最大迭代次数（maxit）等，为了达到最好的分类效果，这些都是需要用户根据经验或者不断地尝试来确定的；随机森林分类器利用基于Breiman随机森林理论的R语言软件包randomForest中的randomForest()函数来实现，需要设置三个主要的参数：森林中决策树的数量（ntree）、内部节点随机选择属性的个数（mtry）及终节点的最小样本数（nodesize）。

支持向量机分类器采用R语言软件包e1071实现，该软件包是以台湾大学林智仁教授的LIBSVM源代码为基础开发的。svm()函数提供了R与LIBSVM的接口，涉及的参数主要有类型（type，“C”实现支持向量机分类，“eps-regression”实现支持向量机回归）、核函数（kernel）。SVM包含了4种主要的核函数：线性核函数（Linear）、多项式核函数（Polynomial）、径向基核函数（RBF）以及Sigmoid核函数。一般情况下会选择径向基核函数，这主要源于：其一，线性核函数只能处理线性关系，且被证明是径向基核函数的一个特例；其二，Sigmoid核函数在某些参数上近似径向基核函数的功能，径向基核函数取一定参数也可得到Sigmoid核函数的性能；其三，多项式核函数参数较多，不易于参数优选。而径向基核函数支持向量机包含两个重要的参数：惩罚参数Cost和核参数Gamma，tune()函数可以对两者进行网格寻优（Grid-search）确定最优值。

常用的聚类方法有系统聚类与K-Means聚类。系统聚类可以使用hclust()函数实现，涉及的参数有距离矩阵（d）和系统聚类方法（method），其中距离矩阵可以使用dist()函数求得，常用的系统聚类方法有最短距离法（single）、最长距离法（complete）、类平均法（average）、中间距离法（median）、重心法（centroid）以及Ward法（ward）。K-Means法是一种快速聚类法，可以使用kmeans()函数实现，涉及的主要参数为聚类数（centers）。

K-Means法和系统聚类法的不同之处在于：系统聚类对不同的类数产生一系列的聚类结果，而K均值法只能产生指定类数的聚类结果。具体类数的确定，离不开实践经验的积累。有时也可借助系统聚类法，以一部分样本为对象进行聚类，其结果作为K均值法确定类数的参考。

作为数据挖掘中一个独立的课题，关联规则用于从大量数据中挖掘出有价值的数据项之间的相关关系，常用的有arules包中的Apriori算法。使用Apriori算法生成规则前，要把数据转换为transcation格式，通过as()转换；其中涉及的参数列表（parameter）用于自定义最小支持度与置信度。

时间序列分析是根据系统观测得到的时间序列数据，通过曲线拟合和参数估计来建立数学模型的理论和方法。进行时间序列分析时，可以使用ts()函数将数据转化成时间序列格式；模型拟合可以通过arima()函数实现，涉及的主要参数有order（自回归项数、滑动平均项数及使时间序列成为平稳序列的差分阶数）、seasonal（序列表现出季节性趋势时需要，除了上述order内容，还有季节周期period）、method（参数估计方法，“CSS”为条件最小二乘法，“ML”为极大似然法）等。R里面有个函数auto.arima()可以自动生成一个最优拟合模型。