Questions tagged «r»

我一直试图理解主要stats在R语言包中实现的不同的k均值聚类算法。 我了解劳埃德（Lloyd）算法和麦昆（MacQueen）的在线算法。我对它们的理解如下： 劳埃德算法： 最初选择“ k”个随机观测值作为“ k”簇的质心。然后，以下步骤迭代进行，直到质心收敛。 计算每个观测值与所选质心之间的欧几里得距离。 最接近每个质心的观测值标记在“ k”桶中。 每个存储桶中所有观测值的平均值用作新的质心。 新的质心取代了旧的质心，如果旧的和新的质心尚未收敛，则迭代返回到步骤1。 收敛的条件如下：旧质心和新质心完全相同，质心之间的差异很小（约为10 ^ -3）或达到最大迭代次数（10或100）。 麦昆的算法： 这是一个在线版本，其中第一个“ k”实例被选为质心。 然后，根据哪个质心最接近该实例，将每个实例放置在存储桶中。重新计算各个质心。 重复此步骤，直到将每个实例放置在适当的存储桶中。 此算法只有一次迭代，并且循环针对“ x”个实例进行 Hartigan-Wong算法： 将所有点/实例分配给随机存储桶并计算相应的质心。 从第一个实例开始，找到最近的质心并装配该铲斗。如果存储桶已更改，则重新计算新质心，即新分配的存储区的质心和旧存储区分配的质心，因为这是受更改影响的两个质心 遍历所有点并获得新的质心。 对点2和3进行第二次迭代，这将执行某种清理操作并将杂散点重新分配给正确的存储桶。 因此，该算法执行2次迭代，然后才能看到收敛结果。 现在，我不确定在Hartigan-Wong算法的第4点中我认为的方法是否正确。我的问题是，Hartigan-Wong的以下方法是否是实现k-means的正确方法？此方法只有两次迭代吗？如果不是，收敛的条件是什么（何时停止）？ 我了解的另一个可能的实现说明是。 将所有点/实例分配给随机存储桶并计算相应的质心。 从第一个实例开始，找到最近的质心并分配该存储桶。如果存储桶已更改，则重新计算新质心，即新分配的存储区的质心和旧存储区分配的质心，因为这是受更改影响的两个质心。 一旦存储桶中的任何点发生更改，请回到第一实例并再次重复这些步骤。 当所有实例都被迭代且所有点均未更改存储桶时，迭代结束。 这样，每次实例更改存储桶时，都会从数据集的开头一次又一次地进行很多迭代。 任何说明都将有所帮助，如果我对这些方法中的任何一种理解有误，请告诉我。

10 r  clustering  k-means 

在测试我的python代码时，特别是当它必须与其他模块或其他代码段集成时，我经常使用Nose，Tox或Unittest。但是，现在我发现自己在ML建模和开发中比在python中更多地使用R。我意识到我并没有真正测试我的R代码（更重要的是，我真的不知道该怎么做）。所以我的问题是，有什么好的软件包可以让您像Python中的Nose，Tox或Unittest一样测试R代码。其他参考资料，例如教程，也将不胜感激。 R中的软件包的奖励积分类似于 假设 要么 特色锻造 相关演讲： Trey Causey：数据科学家测试

10 r  software-development 

我看到LSTM模型产生的莎士比亚文本产生了令人印象深刻的结果。我想知道是否存在R的LSTM软件包。我用Google搜索它，但只找到了Python和Julia的软件包。（也许存在一些性能问题，这说明了为什么这些程序比R更受青睐）您是否了解R的LSTM（或至少RNN）软件包？如果存在，有没有使用它们的教程？

10 r  neural-network  rnn 

问题的一般描述 我有一个图形，其中某些顶点被标记为具有3或4个可能值的类型。对于其他顶点，类型是未知的。我的目标是使用图形来预测未标记顶点的类型。 可能的框架 根据我对文献的阅读，我怀疑这符合标签传播问题的一般框架（例如，请参见本文和本文） 经常被提到的另一种方法是Frequent Subgraph Mining，它包括算法，如SUBDUE，SLEUTH，和gSpan。 发现于R 我设法找到的唯一标签传播实现R是label.propagation.community()在igraph库中。但是，顾名思义，它主要用于查找社区，而不是用于对未标记的顶点进行分类。 似乎也有几个对subgraphMining库的引用（例如，在这里），但是CRAN似乎缺少它。 题 您是否了解所描述任务的库或框架？

10 classification  r  graphs 

我正在做一个项目，需要资源来使我快速入门。 数据集是关于30个左右变量的大约35000个观测值。大约一半的变量是类别变量，有些变量具有许多可能的值，即，如果将类别变量拆分为虚拟变量，则将有30多个变量。但是最大数量仍然可能达到几百个。（n> p）。 我们要预测的响应是5级（1,2,3,4,5）的序数。预测变量是连续的和分类的，每个变量的大约一半。到目前为止，这些是我的想法/计划：1.将响应视为连续并运行香草线性回归。2.运行名义和有序逻辑和概率回归3.使用MARS和/或另一种非线性回归 我熟悉线性回归。Hastie和Tibshirani对火星有足够的描述。但是当涉及到序数logit / probit时，我却茫然无措，尤其是在变量如此多且数据集很大的情况下。 到目前为止，r包glmnetcr似乎是我最好的选择，但是文档不足以让我知道我要去的地方。 我在哪里可以了解更多？

10 r  logistic-regression 

在审阅“ 应用预测模型 ”时，审阅者指出： 我对统计学习（SL）教学法的一种批评是，在评估不同的建模技术时缺乏计算性能方面的考虑。SL着重于引导和交叉验证以优化/测试模型，因此计算量很大。再加上诸如装袋和增强之类的技术中所嵌入的重新采样，您就可以在大型数据集的有监督学习中拥有计算能力。实际上，R的内存约束对模型的大小施加了相当严格的限制，可以通过性能最佳的方法（如随机森林）来拟合模型的大小。尽管SL在针对小型数据集校准模型性能方面做得很好，但了解大型数据的性能与计算成本的关系一定会很不错。 R的内存约束是什么，它们是否对可以通过性能最佳的方法（例如随机森林）拟合的模型大小施加严格限制？

10 apache-hadoop  r 

因此，本周我们的数据集具有14个属性，每列具有非常不同的值。一列的值小于1，而另一列的值从三到四个整数。 上周我们学习了归一化，似乎您应该对数据具有非常不同的值进行归一化。对于决策树，情况是否相同？ 我对此不确定，但归一化会影响来自同一数据集的结果决策树吗？似乎不应该，但是...

10 r  beginner 

我正在R中训练随机森林模型，并randomForest()使用1000个树和数据帧以及大约20个预测变量和600K行。在我的笔记本电脑上，一切正常，但是当我转到Amazon ec2时，要运行相同的内容，则会收到错误消息： Error: cannot allocate vector of size 5.4 Gb Execution halted 我正在使用c3.4xlarge实例类型，因此非常强大。有谁知道为此解决方案以使其在此实例上运行？我很想知道仅在ec2实例上而不在笔记本电脑上导致此问题的内存细微差别（OS X 10.9.5处理器2.7 GHz Intel Core i7；内存16 GB 1600 MHz DDR3） 谢谢。

9 r  random-forest 

我具有随时间和车道数得出的每辆车横向位置的数据，如以下图像和示例数据中的这3个图所示。 > a Frame.ID xcoord Lane 1 452 27.39400 3 2 453 27.38331 3 3 454 27.42999 3 4 455 27.46512 3 5 456 27.49066 3 横向位置会随时间变化，因为驾驶员无法完全控制车辆的位置。当横向位置急剧变化时，变道操纵开始，当变化再次变为“正常”时，变道操纵结束。无法直接从数据中识别出来。我必须手动查看每辆车的图，以确定车道变更操作的起点和终点，以便估算车道变更的持续时间。但是我在数据集中有成千上万辆汽车。您能否将我引导至可以训练以识别这些点的任何相关图像分析/机器学习算法？我在R工作。

8 machine-learning  r