R--基本统计分析方法（包及函数）
rpart.plot(fit,branch=1,branch.type=2,type=1,extra=102,shadow.col=”gray”,box.col=”green”,
split.cex=1.2,main=”Kyphosis决策树”) #提供了复杂度损失修剪的修剪方法
printcp(fit):告诉分裂到哪一层，CP，nsplit，rel，error，交叉验证的估计误差（xerror），标准误差（xstd）
prune(fit,cp=fit$cptable[which.min(fit$cptable[,"xerror"]),"CP"])：剪枝函数
【备注】：1）CRAN的 MachineLearning任务列表有对树方法的细节描述。
2）分类树也常常是重要的多元方法，rpart包正是这样的包，
3）rpart.permutation包还可以做rpart()模型的置换（permutation）检验。
4）TWIX包的树可以外部剪枝。
5）hier.part包分割多元数据集的方差。
6）mvpart包可做多元回归树，
7）party包实现了递归分割（recursive partitioning），
8）rrp包实现了随机递归分割。
9）caret包可做分类和回归训练，进而caretLSF包实现了并行处理。
10）kknn包的k-近 邻法可用于回归，也可用于分类。
4、支持向量机：
【包】：e1071，kernlab
【函数】：svm(x_train,y_train,type="C-classification",cost=10,kernel="radial",probability=TRUE,scale=FALSE)
svp=ksvm(x,y,type="C-svc",kernel="rbf",kpar=list(sigma=1),C=1)
5、无监督分类~聚类分析：
【包】：stats
【函数】：系统聚类：hclust(d,method=”complete”,members=NULL)
快速聚类：kmeans(x,centers,iter.max=10,nstart=1,algorithm=“Hartigan-Wong”)
距离函数：dist(x,method=”euclidean”,diag=FALSE,upper=FALSE,p=2)
【备注】：1）CRAN的Cluster任务列表全面的综述了R实现的聚类方法。
2）stats里提供等级聚类hclust()和k-均值聚类kmeans()。
3）cluster包里有大量的聚类和可视化技 术，
4）clv包里则有一些聚类确认程序，
5）e1071包的classAgreement()可计算Rand index比较两种分类结果。
6）Trimmed k-means聚类分析可由trimcluster包实现，
7）聚类融合方法（Cluster Ensembles）由clue包实现，
8）clusterSim包能帮助选择最佳的聚类，
9）hybridHclust包提供一些混合聚类方法。
10）energy包里有基于E统计量的距离测度函数edist()和等级聚类方法hclust.energy()。
11）LLAhclust包提供基于似然（likelihood linkage）方法的聚类，也有评定聚类结果的指标。
12）fpc包里有基于Mahalanobis距离的聚类。
13）clustvarsel包有多种基于模型的聚类。
14）模糊聚类（fuzzy clustering）可在cluster包和hopach包里实现。
15）Kohonen包提供用于高维谱（spectra）或模式（pattern）的有监督和无监督的SOM算法。
16）clusterGeneration包帮助模拟聚类。
17）CRAN的Environmetrics任务列表里也有相关的聚类算法的综述。
18）mclust包实现了基于模型的聚类，
19）MFDA包实现了功能数据的基于模型的聚类。
6、关联分析：
【包】：arules，Matrix，lattice，arulesViz
【函数】：apriori(Groceries,parameter=list(support=0.01,confidence=0.2))
eclat(Groceries, parameter = list(support = 0.05),control = list(verbose=FALSE))
7、主成分分析：
【包】：stats
【函数】：princomp(data,cor=False,scores=TRUE,covmat=NULL,subset=rep(TRUE,nrow(as.matrix(x))) ,…)
prcomp(data,cor=False,scores=TRUE,covmat=NULL,subset=rep(TRUE,nrow(as.matrix(x))) ,…)
prcomp：采用观测值的奇异值分解方法；princomp：采用相关系数阵的特征值分解方法
【备注】：1）stats 包的prcomp()（基于svd()）和princomp()（基于eigen()）能计算主成分。
2）sca包做单分量分析。
3）nFactors可评价碎石 图(Scree plot)，
4）paran包可评估主成分分析得到的主成分和因子分析得到的因子。
5）pcurve包做主曲线（Principal Curve）分析和可视化。
6）gmodels包提供适合大矩阵的fast.prcomp()和fast.svd()。
7）kernlab包里的kpca()用核 方法做非线性的主成分分析。
8）pcaPP包用投影寻踪（projection pursuit）法计算稳健/鲁棒（robust）主成分。
9）amap包的acpgen()和acprob()函数分别针对广义（generalized） 和稳健（robust）主成分分析。
8、对应分析：
【包】：ca，MASS，vegan，FactoMineR
【函数】：简单对应分析：ca(data,...)
多重对应分析：mjca(data,...)
plot3d.ca(ca(data,nd=3))
plot(mjca(data,lambda="Burt"))
【备注】：1）MASS包的corresp（）和mca（）可以做简单和多重对应分析；
2）ca包提供单一、多重和联合对应分析；
3）FactoMineR包的CA（）和MCA（）函数也能做类似的简单和多重对应分析，还有画图函数，
homals可执行同质分析。
9、因子分析：
【包】：psycho，stats
【函数】：Bartlett球形检验：cortest.bartlett(cor(data),n=length(data))
factanal(~X1 + X2 + X3 + X4,data=freeny,factors=1)
10、神经网络
【包】：nnet
【备注】：nnet包执行单隐层前馈神经网络，nnet是VR包的一部分。
11、随机森林：（回归和分类）
【包】：randomForest，ipred，varSelRF
【备注】：1）ipred包用bagging的思想做回归，分类和生存分析，组合多个模型；
2）party包也提供了基于条件推断树的随机森林法；
3）varSelRF包用随机森林法做变量选择。
12、递归拆分：（回归，分类，生存分析）
【包】：rpart，tree
【备注】：1）递归拆分利用树形结构模型，来做回归、分类和生存分析，主要在rpart包和tree里执行，尤其推荐rpart包。
2）Weka里也有这样的递归拆分法，如：J4.8, C4.5, M5，包Rweka提供了R与Weka的函数的接口
13、Boosting：（提高给定任意学习算法精确度的方法）
【包】：gbm，boost
【备注】：1）gbm包做基于树的梯度下降boosting；
2）boost包包括LogitBoost和L2Boost；
3）GAMMoost包提供基于boosting 的广义相加模型(generalized additive models)的程序；
4）mboost包做基于模型的boosting。
14、模型确认和选择：
【包】：e1071，ipred，svmpath，ROCR，caret，caretLSF
【函数】：tune，errorest，cost，
【备注】：1）e1071 包的tune()函数在指定的范围内选取合适的参数；
2）svmpath包里的函数可用来选取支持向 量机的cost参数C；
3）ROCR包提供了可视化分类器执行效果的函数，如画ROC曲线；
4）caret包供了各种建立预测模型的函数，包括参数选择和重要性量度；