R 多变量数据预处理_R语言常用统计方法包+机器学习包（名称、简介）

上期帮大家盘点了一下R中常用的可视化包，这期将简要盘点一下关于统计分析与机器学习的R包，并通过简要介绍包的特点来帮助读者深入理解可视化包。

本文作者为“食物链顶端”学习群中的小伙伴，感谢他们的分享。

话不多说我们一起来看看吧！

1. survival

简介：survival是目前用的最多的做生存分析的包，Surv：用于创建生存数据对象，survfit：创建KM生存曲线或是Cox调整生存曲线，survdiff：用于不同组的统计检验，coxph：构建COX回归模型，cox.zph：检验PH假设是否成立，survreg：构建参数模型，包括Km和cox分析。

缺点：图形不够美观。

2. glmnet 简介： glmnet是做lasso分析的R包，包括二分类logistic回归模型，多分类logistic回归模型，Possion模型，Cox比例风险模型，svm模型，是目前用的最多的lasso分析的包，简单易用，通过选择1se lambda为最优参数，广泛应用在筛选基因的研究中。 缺点：优化下速度。   3. randomForests 简介： randomForest 包提供了利用随 机森林算法解决分类和回归问题的功能。 使用起来比较简单，其中randomForest()函数用于构建随机森林模型，importance()函数用于计算模型变量的重要性，MDSplot()函数用于实现随机森林的 可视化，rfImpute()函数可为存在缺失值的数据集进行插补(随机森林法)，得到最优的样本拟合值，treesize()函数用于计算随机森林中每棵树的节点个数。 缺点：据我所知这是用R做随机森林最常用(可能是唯一)的R包，比用python容易上手，硬要说缺点的话就是图形美观度，但可以后期AI调整。   4.