r語言演算法

① R語言，。。。如何寫分半演算法bisection algorithm和解釋code

你的code是找n以下所有的質數
Q2: 你的循環條件就是sieve不能是空，所以不能是>1，一旦sieve空了，也就是sieve里的元素都能被p整除，循環停止。
Q3:這是R語言，沒有0的index
Q4:return是函數返回值，primes就是儲存n以下所有質數的向量，不返回這個返回啥。
Q5:stop就是當不滿足if里的條件n>2時，錯誤信息提示：你的input value 必須大於等於2
Q6: 感覺這是道English 的題目，你是不是直接翻譯過來的。直接把原題貼上來。
Q7: break加在sieve <- sieve [ (sieve %% p )!=0]的後面，整個code 的思想是2到100（我假設n=100），把2拿出來放到primes里，然後去掉2的倍數；接著把3push到primes里，之後去掉3的倍數；為什麼沒有4直接到5？因為在第一步4就被抹掉了(2的倍數)，接著5拿出來，然後去掉5的倍數。。。一直到最後一個數97 其實可以寫個break條件，當p>=sqrt(100)就可以停止了，因為當時sieve里的2到100已經只剩下質數，為何你得自己想想。所以在第8行後面加：

if(p>=sqrt(n)) break #大大節省運算時間 原來是從2試到100，現在就2到10，快了好幾倍
當然你輸出的結果也得改一改 return(c(primes,sieve))

兩分法求根你google一下不就有了，現在都2013年，還有維基網路

② r語言怎麼實現antepiseeker演算法

r語言怎麼實現antepiseeker演算法
實型變數分為：單精度（float型）、雙精度（double型）和長雙精度（long double型）三類。
在Turbo C中單精度型佔4個位元組（32位）內存空間，其數值范圍為3.4E-38～3.4E+38，只能提供七位有效數字。雙精度型佔8 個位元組（64位）內存空間，其數值范圍為1.7E-308～1.7E+308，可提供16位有效數字。
類型說明符 比特數（位元組數） 有效數字 數的范圍
float 32（4） 6~7 10-37~1038
double 64(8) 15~16 10-307~10308
long double 128(16) 18~19 10-4931~104932
實型變數定義的格式和書寫規則與整型相同。
例如：
float x,y; (x,y為單精度實型量)
double a,b,c; (a,b,c為雙精度實型量)

③ 如何查看r語言載入包的具體演算法

在console裡面輸入installpackages("quantmod")或者在菜單里找安裝R包。如何查看r語言載入包的具體演算法

④ R語言中實現層次聚類模型

R語言中實現層次聚類模型
大家好！在這篇文章中，我將向你展示如何在R中進行層次聚類。
什麼是分層聚類？
分層聚類是一種可供選擇的方法，它可以自下而上地構建層次結構，並且不需要我們事先指定聚類的數量。
該演算法的工作原理如下：
將每個數據點放入其自己的群集中。
確定最近的兩個群集並將它們組合成一個群集。
重復上述步驟，直到所有數據點位於一個群集中。
一旦完成，它通常由樹狀結構表示。
讓我們看看分層聚類演算法可以做得多好。我們可以使用hclust這個。hclust要求我們以距離矩陣的形式提供數據。我們可以通過使用dist。默認情況下，使用完整的鏈接方法。
這會生成以下樹形圖：

從圖中我們可以看出，群集總數的最佳選擇是3或4：

要做到這一點，我們可以使用所需數量的群集來切斷樹cutree。
現在，讓我們將它與原始物種進行比較。
它看起來像演算法成功地將物種setosa的所有花分為簇1，並將virginica分為簇2，但是與花斑雜交有困難。如果你看看顯示不同物種的原始圖，你可以理解為什麼：

讓我們看看我們是否可以通過使用不同的連接方法更好。這一次，我們將使用平均連接方法：
這給了我們以下樹狀圖：

我們可以看到，群集數量的兩個最佳選擇是3或5.讓我們用cutree它來將它降到3個群集。
我們可以看到，這一次，該演算法在聚類數據方面做得更好，只有6個數據點出錯。
我們可以如下繪制它與原始數據進行比較：
這給了我們下面的圖表：

內部顏色與外部顏色不匹配的所有點都是不正確聚類的點。

⑤ R語言Knn演算法中的訓練集和測試集必須各佔一半嗎

這個不一定。之所以要分訓練集和測試集是因為怕過度擬合（overfitting），所以需要一個測試集來檢驗確定 你建立的模型並不只是適合於這一組數據。我一般都是70%訓練集30%測試集。當然，得看數據量有多大，以及復雜程度。只要訓練集>=測試集，就不會錯，但好不好得具體分析。如果數據量在1000以下的話，最好是k折交叉驗證（基本上只要不是特別復雜的數據，都推薦k折交叉驗證）。如果要是數據量大於10萬的話，最好考慮80：20甚至90:10。

⑥ 怎麼用R語言做LAR演算法（最小角回歸），EFRON在CERN上提供了LAR的軟體包，但是不會用啊，求教

軟體包安裝下就OK了，不會的話直接使用R的幫助命令？LAR或者example(LAR)會給出例子。

⑦ R語言是什麼

R語言是什麼？為什麼要使用R語言？歷數R的優勢與缺點

R編程語言在數字分析與機器學習領域已經成為一款重要的工具。隨著機器逐步成為愈發核心的數據生成器，該語言的人氣也必然會一路攀升。不過R語言當然也擁有著自己的優勢與缺點，開發人員只有加以了解後才能充分發揮它的強大能力。

正如Tiobe、PyPL以及Redmonk等編程語言人氣排名所指出，R語言所受到的關注程度正在快速提升。作為一款誕生於上世紀九十年代的語言，R已經成為S統計編程語言的一類實現方式。已經擁有十八年R編程經驗的高校教授兼Coursera在線平台培訓師Roger Peng指出，「R語言已經成為統計領域最具人氣的語言選項」。

「我之所以喜愛R語言，是因為它易於從計算機科學角度出發實現編程，」Peng表示。而R語言隨時間推移正呈現出愈發迅猛的發展態勢，並成為能夠將不同數據集、工具乃至軟體包結合在一起的膠水型語言，Peng解釋道。

「R語言是創建可重復性及高質量分析的最佳途徑。它擁有數據處理所必需的一切靈活性及強大要素，」在線編程教育機構Code School數據科學家Matt Adams指出。「我用R語言編寫的大部分程序實際上都是在將各類腳本整理到項目當中。」

R語言擁有強大的軟體包生態系統與圖表優勢

R語言的優勢主要體現在其軟體包生態系統上。「龐大的軟體包生態系統無疑是R語言最為突出的優勢之一——如果某項統計技術已經存在，那麼幾乎必然存在著一款R軟體包與之對應，」Adams指出。

「其中內置有大量專門面向統計人員的實用功能，」Peng表示。R語言具備可擴展能力且擁有豐富的功能選項，幫助開發人員構建自己的工具及方法，從而順利實現數據分析，他進一步解釋稱。「隨著時間的推移，越來越多來自其它領域的用戶也被吸引到了R身邊來，」其中包括生物科學乃至人文學科等。

「人們能夠在無需申請許可權的前提下對其進行擴展。」事實上，Peng回憶稱多年之前R的使用方式就已經給相關工作帶來了巨大便利。「當R語言剛剛誕生之時，它最大的優勢就是以自由軟體的姿態出現。其源代碼以及所有一切都可供我們直接查看。」

Adams也表示，R語言在圖形及圖表方面的一切能夠都是「無與倫比」的。其dplyr與ggplot2軟體包分別用於進行數據處理與繪圖，且「能夠非常直觀地提升我的生活質量，」他感嘆道。

在機器學習方面，R語言的優勢則體現在與學術界的強大聯動效應，Adams指出。「在這一領域的任何新型研究成果可能都會馬上以R軟體包的形式體現出來。因此從這個角度看，R語言始終站在技術發展的尖端位置，」他表示。「這種接入軟體包還能夠提供良好的途徑，幫助我們利用相對統一的API在R語言環境下實現機器學習研究。」Peng進一步補充稱，目前已經有眾多主流機器學習演算法以R語言作為實現手段。

R的短板在於安全性與內存管理

說了這么多優勢，R語言當然也存在著一定不足。「內存管理、速度與效率可能是R語言面臨的幾大最為嚴峻的挑戰，」Adams指出。「在這方面，人們仍然需要努力推動——而且也確實正在推動——其進展與完善。此外，從其它語言轉投R懷抱的開發人員也會發現後者在某些設定上確實有些古怪。」

R語言的基本原理來自上世紀六十年代出現的各類編程語言，Peng解釋道。「從這個意義上講，R語言在設計思路上屬於一項古老的技術成果。」這種語言的設計局限有時候會令大規模數據集處理工作遇到難題，他強調稱。因為數據必須被保存在物理內存當中——但隨著計算機內存容量的不斷提升，這個問題已經在很大程度上得到了解決，Peng指出。

安全等相關功能並沒有被內置在R語言當中，Peng指出。此外，R語言無法被嵌入到網路瀏覽器當中，Peng表示。「我們不能利用它開發Web類或者互聯網類應用程序。」再有，我們基本上沒辦法利用R語言當作後端伺服器執行計算任務，因為它在網路層面缺乏安全性保障，他表示。不過Amazon Web Services雲平台上的虛擬容器等技術方案的出現已經在很大程度上解決了此類安全隱患，Peng補充道。

長久以來，R語言當中始終缺少充足的交互元素，他表示。但以JavaScript為代表的各類編程語言介入其中並填補了這項空白，Peng指出。雖然我們仍然需要利用R語言處理分析任務，但最終結果的具體顯示方式則可以由JavaScript等其它語言來完成，他總結道。

R語言並不單純面向高端程序員

不過Adams與Peng都會R視為一種易於接受的語言。「我本人並沒有計算機科學教育背景，而且從來沒想過要當一名程序員。將編程基礎知識納入技能儲備當然很不錯，但這並不是上手R語言的必要前提，」Adams指出。

「我甚至並不認為R語言只適用於程序員。它非常適合那些面向數據並試圖解決相關問題的用戶——無論他們的實際編程能力如何，」

以上是小編為大家分享的關於 R語言是什麼？的相關內容，更多信息可以關注環球青藤分享更多干貨

⑧ 怎麼學慣用r語言進行數據挖掘

首先R是一種專業性很強的統計語言，如果想學得快一些的話，基本的統計學知識要懂，不然很多東西會掌握的比較慢。

掌握基本語法和操作，推薦國內的已經翻譯的比如《R語言實戰》《R語言編程藝術》，這個過程中最好結合一些小例子來做一些分析的東西。如果需要可視化的話，強烈不推薦學習R本身的作圖系統，實在是太不友好了.....還是用ggplot2吧。

掌握了上面的，就可以深入一些了，如果是做數據分析和可視化，推薦《ggplot2：數據分析與圖形藝術》，這個才是作圖的神器啊.....如果是空間分析相關的，推薦《Applied Spatial Data Analysis with R》，這個如果可以的話看英文版，而且要有地學的一些知識背景，中文版翻譯的太次了，盡量不要看。數據挖掘機器學習之類的，可以看看比如《數據挖掘與R語言》、《機器學習——實用案例解析》，不過我覺得這幾本書沒上面的那幾本好，但是可以大概看看是咋回事，最好還是看看專門的相關書籍，熟悉各種演算法和流程，到時候搜索R的package，照著文檔和例子搞定，不是特別難。
-

⑨ R語言數據neuralnet包怎麼選擇L-M演算法

Hmisc，主要用裡面的recode函數來轉換數據，比如把c("Jan", "Feb", "Mar")轉換成1， 2， 3
reshape/reshape2，主要用來整理數據，做pivot table，方便進行下一步的統計或繪圖
ggplot2，繪圖
scales，用來生成特定的數據格式，比如百分數
R.matlab，以matlab支持的格式導出數據
dplyr，支持對data.frame的靈活操作，很方便！

⑩ R語言和Python的區別是什麼

R語言和Python的區別：

1、適用場景

R適用於數據分析任務需要獨立計算或單個伺服器的應用場景。Python作為一種粘合劑語言，在數據分析任務中需要與Web應用程序集成或者當一條統計代碼需要插入到生產資料庫中時，使用Python更好。

2、任務

在進行探索性統計分析時，R語言比Python更好用。它非常適合初學者，統計模型僅需幾行代碼即可實現。Python作為一個完整而強大的編程語言，是部署用於生產使用的演算法的有力工具。

3、數據處理能力

有了大量針對專業程序員以及非專業程序員的軟體包和庫的支持，不管是執行統計測試還是創建機器學習模型，R語言都得心應手。

Python最初在數據分析方面不是特別擅長，但隨著NumPy、Pandas以及其他擴展庫的推出，它已經逐漸在數據分析領域獲得了廣泛的應用。

4、開發環境

對於R語言，需要使用R Studio。對於Python，有很多Python IDE可供選擇，其中Spyder和IPython Notebook是最受歡迎的。

(10)r語言演算法擴展閱讀

R語言的特點：

1、R是自由軟體。這意味著它是完全免費，開放源代碼的。可以在它的網站及其鏡像中下載任何有關的安裝程序、源代碼、程序包及其源代碼、文檔資料。標準的安裝文件身自身就帶有許多模塊和內嵌統計函數，安裝好後可以直接實現許多常用的統計功能。

2、R是一種可編程的語言。作為一個開放的統計編程環境，語法通俗易懂，很容易學會和掌握語言的語法。而且學會之後，我們可以編制自己的函數來擴展現有的語言。

3、 所有R的函數和數據集是保存在程序包裡面的。只有當一個包被載入時，它的內容才可以被訪問。一些常用、基本的程序包已經被收入了標准安裝文件中，隨著新的統計分析方法的出現，標准安裝文件中所包含的程序包也隨著版本的更新而不斷變化。

4、R具有很強的互動性。除了圖形輸出是在另外的窗口處，它的輸入輸出窗口都是在同一個窗口進行的，輸入語法中如果出現錯誤會馬上在窗口中得到提示，對以前輸入過的命令有記憶功能，可以隨時再現、編輯修改以滿足用戶的需要。