Again—模型总结及R学习心得

我就在这里等你关注，不离不弃

——A·May

R-55T-68

模型篇再总结

1.甄别模式

待补充

无监督的甄别模式

非均衡数据的处理方法

2.关联算法

待补充

关于复杂网络的分析

3.分类

待补充

详细的决策树

分类回归树

详细的SVM支持向量机

4.聚类

待补充

EM聚类

BIRCH聚类

SOM网络聚类

DBSCAN聚类

5.回归模型

主成分

时间序列

待补充

完整的时序分析过程

假设检验（差异分析）

学习心得

R语言有多难？学学就知道。

最开始，以为R语言只是数据分析软件，学会运用R中的共享包就可以了。谁知道，R里面有那么多包，每个包里还有数量不等的函数，每个函数里还有数量不等的参数。然后就觉的我以为的我以为，还只能是我以为。如果，你有那种越学越发现自己学的知识R语言中的一丁点东西，那么恭喜你，因为你已经在敲R的大门了。如果，你发现R怎么这么难学，怎么学也记不住，可能有的东西理解都是问题，这也恭喜你，因为这样的你已经在R的世界开始里撞车了。

那么，怎样才能算学好R呢？这个标准我现在也说不清。在我看来，R世界里最顶尖的人物，就是能够参加R会议的那些大佬们，不知道你们有没有看他们的主题演讲稿，真的是厉害。然后，还有在统计之都和R语言中文社区的中发文的超级牛人。明显感觉他们的研究层次是S级的话，我现在在做的事也就是个C级，可能C级的水平还不到。

在思考这个问题的过程中，我给自己制定了3个关于学好R语言的标准——流畅的数据管理编码书写、能够表清意义的绘图操作和有目的性的数据分析。

流畅的数据管理的编码书写，如何实现这个标准呢？我的答案也有三点，首先，做好基本数据管理的练习，基本数据管理的练习包括十个方面，参考R语言 Again—新发现2；其次，熟练掌握sqldf的使用，也就是SQL语言的使用，这也是我学习SQL的主要原因，sqldf可以实现数据管理的绝大部分操作，在一定程度上代替自定义函数不是问题；最后，是懂得apply族函数，因为这一类函数能应用自定义函数，学习R，不学习R编程，你会感觉少一步，质的飞跃，无论怎样，建议学习。

能够表清意义的绘图操作。一方面，利用plot函数实现在数据探索性分析和描述性分析过程中的绘图操作，请参考R语言基础绘图&探索性分析【1】等一系列文。另一方面，专注ggplot2三十年不动摇，没有什么原因，这是应该的。

有目的性的数据分析，实际上这句话再加上一个实用性，是最好的不过了。这里的数据分析是指CRISP-DM整个数据挖掘流程，而非是狭义的建模分析，这个过程我觉的需要训练三个方面的内容：第一，理解案例。这个东西需要不断的看案例，独立分析案例，可以不用R实现分析过程，但是需要懂得一个案例存在什么问题、能够分析什么问题、这些问题有哪些分析方法、这些方法的适用性和限制条件、以及如何评价，这是金字塔原理的S部分。第二，懂得统计学和建模原理。培养对有关数字或者数据问题统计学意义的敏感度，简单问题的原理，我们可能不需要掌握，但是一些有深度的模型，其建模的参数和其原理是联系在一起的，你不学？不学的话，做出模型看不懂呀！第三，在类别问题和处理类别问题的模型上要有侧重，比如聚类问题，最易懂的层次聚类是一定要学好的，但是高级的方法比如SVM或者B-P神经网络，也要掌握一个，这个掌握的程度是能够直接写出模型的编码来！！！。但是一定要所有的方法都会用么？不用的，懂得原理就好了，用的时候，我可以来公众号里查，当然你们也行。

学海无涯，无论学好R的标准究竟是什么，学习始终是一件不能停下来的事，即使现在的我可以做到上面的三个标准，但是还有例如R的爬虫等一系列的方法等着我去掌握。

其实，学R也不难，有决心，能坚持，就够了。

我是May，明天见！

R语言前部分的总结

都在下面

学习数据挖掘交流平台