1.3 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。每个类别都有相应的R包来实现其功能。比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，比如分类、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1-1所示。

表1-1 R数据挖掘相关包

分类与预测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，这些都需要用户根据经验或者不断地尝试来确定。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：①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；②Sigmoid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；③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（）函数可以为两者进行网格寻优（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。

作为数据挖掘中的一个独立课题，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中的auto.arima（）函数可以自动生成一个最优拟合模型。