R的应用领域包介绍.doc

R的应用领域包介绍ByR-FoxAnalysis of Pharmacokinetic Data 药物（代谢）动力学数据分析网址：/web/views/Pharmacokinetics.html维护人员：Suzette Blanchard版本：2008-02-15翻译：R-fox, 2008-04-12药物（代谢）动力学数据分析的主要目的是用非线性浓度时间曲线（concentration time curve）或相关的总结（如曲线下面积）确定给药方案（dosing regimen）和身体对药物反应间的关系。R基本包里的nls()函数用非线性最小二乘估计法估计非线性模型的参数，返回nls类的对象，有 coef()，formula()， resid()，print()， summary()，AIC()，fitted() and vcov()等方法。在主要目的实现后，兴趣就转移到研究属性（如：年龄、体重、伴随用药、肾功能）不同的人群是否需要改变药物剂量。在药物（代谢）动力学领域，分析多个个体的组合数据估计人群参数被称作群体药动学（population PK）。非线性混合模型为分析群体药动学数据提供了自然的工具，包括概率或贝叶斯估计方法。nlme包用Lindstrom和Bates提出的概率方法拟合非线性混合效应模型(1990, Biometrics 46, 673-87)，允许nested随机效应（nested random effects），组内误差允许相关的或不等的方差。返回一个nlme类的对象表示拟合结果，结果可用print()，plot()和summary() 方法输出。nlme对象给出了细节的结果信息和提取方法。nlmeODE包组合odesolve包和nlme包做混合效应建模，包括多个药动学/药效学(PK/PD)模型。面版数据(panel data)的贝叶斯估计方法在CRAN的Bayesian Inference任务列表里有所描述（/web/views/Bayesian.html）。PKtools包为nlme，NONMEM 和WinBUGS包提供单剂量群体药动学数据的接口，分别返回PKNLME，NONMEM和WinBUGS类的对象；促进了混合似然和贝叶斯方法的使用。PKtools包的其它函数有：AICcomp()函数从NONMEM和nlme计算模型的AIC, AICc (small sample AIC)和对数似然值。paramEst()和indEst()分别返回群体和个体参数，对NONMEM类使用最大似然法，对nlme类使用广义最小二乘法，对WinBUGS类使用MCMC贝叶斯估计法。HTMLtools()和tex()函数分别输出群体和个体参数的HTML和LaTeX报道文件，和诊断图（diagnostic plot）便于用户选择估计方法。还能分别产生HTMLtools和tex文件里的诊断图。其它的分析药物（代谢）动力学数据的包还有：PK，PKfit和drc。VR包束的MASS包包括一些基本的方法，如：计算Logit或Probit模型的半数致死计量LD50。分析药物（代谢）动力学数据的图形展示也非常重要，lattice包的trellis图用来可视化面板数据。计算计量经济学（Computational Econometrics）网址：/web/views/Econometrics.html维护人员：Achim Zeileis版本：2008-04-02翻译：R-fox, 2008-04-15R的很多基本函数都可用于计量经济学，尤其是stats包。CRAN的许多包也有可以分析计量经济学，下面做个简要的综述。这里介绍的工具可能与 CRAN的计量金融(empirical finance)任务列表（/web/views/Finance.html）有许多的重合。此外，从邮件列表finance SIG（https:/www.stat.math.ethz.ch/mailman/listinfo/R-SIG-Finance/）可获得计量经济和计量金融相关的帮助和讨论问题。CRAN的SocialSciences任务列表（/web /views/SocialSciences.html）覆盖了许多社会科学的工具，因此也与这里的工具有所重合，如：政治科学。这里综述的包大致可分为如下的几个话题：1）线形回归模型（Linear regression models）线形模型可由lm()函数拟合，也有各种检验方法用来比较模型， 如：summary() 和anova()。类似的函数也支持。类似的功能也适合于渐近检验（如：z检验而不是检验，卡方检验而不是F检验），此外还有lmtest包里的 coeftest()和waldtest()函数。car包里的linear.hypothesis()可检验更广义的线形假设。HC和HAC协方差矩阵的这些功能可在sandwich包里实现。car和lmtest包还提供了许多线形回归模型的诊断方法。2）微观计量经济学（Microeconometrics）：许 多微观计量经济学模型属于广义线形模型，可由stats包的glm()函数拟合。包括用于选择类数据（choice data）的Logit和probit模型，用于计数类数据（count data）的poisson模型。负二项广义线形模型可由MASS包的glm.nb()实现。边缘(zeroinflated)和hurdle计数模型可由pscl包提供，zicounts包里也实现了边缘模型。双变量Poisson回归模型可在bivpois包里实现。基本的删失回归模型 (censored regression model)，如：tobit模型，可由survival包里的survreg()函数拟合。micEcon包里提供了微观计量经济学的更好的工具。 bayesm包执行微观计量济学和营销学（marketing）中的贝叶斯方法。reldist包提供了相对分布（relative distributions）相关的方法。3）其它的回归模型（Further regression models）：R和 CRNA包里有各种延伸的线形回归模型和其它模型拟合方法。非线性最小二乘回归建模可用stats包里的nls()实现。相关的包还有：quantreg（分位数回归Quantile Regression），crq（截取分位点回归censored quantile regression），plm（面板数据的线形回归），sem（线性结构方程模型，包括二阶段最小平方），systemfit（联立方程估计），np（非参核方法），betareg（beta回归），nlme（非线性混合效应模型），VR（nnet 包的多项Logit模型），MNP（贝叶斯多项Probit模型）。Design和Hmisc包提供广义线形回归模型的工具。4）基本的时间序列架构（Basic time series infrastructure）：tats包的ts 类是R的规则间隔时间序列的标准类。Zoo包提供了规则和不规则间隔时间序列的架构。建立在POSIXt时间-日期类上的its, tseries和fCalendar包也提供不规则间隔时间序列的架构，特别用于金融分析。5）时间序列建模（Time series modelling）：stats 包里有经典的时间序列建模工具，arima()函数做ARIMA建模和Box-Jenkins-type分析。stats包还提供StructTS()函数拟合结构时间序列，decompose()过滤时间序列，HoltWinters()分解时间序列。forecasting包束提供了一些延伸的方法，尤其是预测和模型选择。多种时间序列的过滤器可在mFilter包里找到。为了估计VAR模型，stats包的ar()拟合简单的模型，vars包、 dse包的estVARXls()提供了更精巧的模型，MSBVAR包提供了贝叶斯方法。Dynlm包提供了经由OLS过滤动态回归模型的方便接口；dyn包里则提供了不同的方法。更高级的动态系统方程可由dse包拟合。高斯线形状态空间模型可由dlm包拟合（用最大斯然，kalman滤波/平滑，和贝叶斯方法）。Unit root（单位根）和cointegration technique（协整技术）可在urca，uroot和tseries包里找到。tsfa包可做时间序列因子分析。sde包提供随机微分方程的模拟和推论。6）矩阵处理（Matrix manipulations）：作为一个向量和矩阵语言，R有许多基本函数处理矩阵，与Matrix和SparseM包互补。7）放回再抽样（Bootstrap）：除了推荐的boot包，bootstrap或simpleboot包里有一些其它的常规bootstrapping技术；还有些函数专门为时间序列数据而设计，如：meboot包里的最大熵bootstrap，tseries包里的tsbootstrap()函数。8）不平等（Inequality）：为了测量不平等（inequality），集中（concentration）和贫穷（poverty），ineq包提供了一些基本的工具，如：劳伦茨曲线（Lorenz curves），Pens parade，基尼系数(Gini coefficient)。9）结构变化（Structural change）：R有很强的处理参数模型的结构变化和变化点的能力，可参考strucchange和segmented包。10）数据集（Data sets）：这里介绍的许多包里都有来自计量经济学文献里的数据集，Ecdat包包括许多来自计量经济学教科书和杂志（应用计量经济学，商业/经济统计）的数据集。 FinTS包针对书Analysis of Financial Time Series (2nd ed., 2005, Wiley)，包括数据集，函数，列子的脚本文件。CDNmoney包提供加拿大货币流通额，pwt包提供佩恩世界表(Penn World Table)。R 空间分析很高兴看到R在生态学里的众多应用，我是生态学的外行，但也想来凑下热闹。希望越来越多的人喜欢R（http:/www.r- /），喜欢R语言中文论坛（/Rbbs/forums/list.page）。下面根据CRAN的介绍资料综述一下R分析空间数据的功能（/web/views /Spatial.html；/； /csiss/Rgeo/），仅仅是翻译总结资料，有不对的地方请批评指正。R分析空间数据（Spatial Data）的包主要包括两部分：1）导入导出空间数据2）分析空间数据功能及函数包：1）分类空间数据（Classes for spatial data）：包 sp（/web/packages/sp/index.html）为不同类型的空间数据设计了不同的类，如：点（points）,栅格（grids），线（lines）,环（rings），多边形（polygons）。另外sp提供总结数据，获取坐标等功能；提供画图函数，并且允许在图上添加空间元素（spatial elements）和参考元素（reference elements），如：比例尺（scale bar），指北针（north arrows）等。现在很多包都利用了sp包中的类，如：rgdal，maptools。2）处理空间数据（Handling spatial data）：spsurvey 包提供做概率抽样的函数（/web/packages/spsurvey /index.html）；trip包扩展sp包的类，针对动物跟踪数据（/web /packages/trip/index.html）；hdeco包用等级分解熵比较类型地图（categorical map）（/web/packages/hdeco/index.html）；GeoXp包允许交互式的分析空间数据（/web/packages/GeoXp/index.html）。3）读写空间数据（Reading and writing spatial data）：图像有向量式绘图和光栅式两种。Rgdal可以读入和导出GDAL支持的光栅式格式（/）和OGR（http: //ogr/）支持的向量格式（/web/packages/rgdal /index.html）。ncdf包用来处理NetCDF文件（/web/packages /ncdf/index.html）；maps包可连接一些地理学数据库并展示地理图（/web /packages/maps/index.html）；RArcInfo 包可读取ArcInfo v.7二进制文件和*.e00文件（/web/packages/RArcInfo/index.html）；maptools 包管理和读入地理数据，也为PBSmapping包、spatsta包和sp类提供接口函数（ /web/packages/maptools/index.html），还可以通到GSHHS 数据库；classInt包为专题地图制图选择单变量的类间距（/web/packages /classInt/index.html）；gmt包提供R和GMT 绘图软件的接口（/web/packages/gmt/index.html）。4）点格局分析（Point pattern analysis）：spatstat 包做空间点分布型态(Spatial Point Patterns)分析，长处在于模型拟合和仿真（/web/packages/spatstat /index.html）；spatgraphs包提供点格局的可视化图形（/web /packages/spatgraphs/index.html）；splancs包允许分析多边形区域，包括很多种方法，如： 2维核密度（/web/packages/splancs/index.html）；ecespa包提供书Introduccion al Analisis Espacial de Datos en Ecologia y Ciencias Ambientales: Metodos y Aplicaciones里用的点格局分析函数和数据（/web/packages/ecespa /index.html）；aspace包计算空间中心统计（centrographic satistics）和最小凸多边形（/web/packages/aspace /index.html）；spatialkernel包做多元数据的非参核密度估计和核回归估计（ /web/packages/spatialkernel/index.html）。5）地质统计学(Geostatistics) ：gstat 包做单变量和多变量地质统计，适合于大的数据集（/web/packages/gstat /index.html）；geoR包（用贝叶斯模型，/web/packages/geoR /index.html） 和geoRglm 包（用线性模型，/web/packages/geoRglm/index.html）做基于模型的地质统计；fields包也提供许多类似的函数（/web/packages/fields /index.html）；spBayes包用蒙特卡洛一马尔科夫链方法（MCMC）做单变量和多变量的高斯模型（http:/cran.r- /web/packages/spBayes/index.html）。RandomFields包模拟和分析随机场（/web/packages/RandomFields/index.html）；tripack 包用于不规则数据的三角测量法（/web/packages/tripack /index.html）；akima包用于不规则数据的线性或三次样条插值（/web /packages/akima/index.html）；spatialCovariance包计算矩形数据的空间协方差矩阵（http: //web/packages/spatialCovariance/index.html）。6）疾病制图和地区数据分析（Disease mapping and areal data analysis）：DCluster 包用计数数据探测疾病的空间聚类，计算空间权重，测试空间自相关，建立空间回归模型等（/web /packages/DCluster/index.html）；spgwr包做地理加权回归模型，检测平稳性（http:/cran.r- /web/packages/spgwr/index.html）；spatclus包（http:/cran.r- /web/packages/spatclus/index.html）。spatclus包探测2维或3维空间点分布的任意形状的聚类（/web/packages/spatclus/index.html）。7）生态学分析（Ecological analysis）：R 有很多分析生态和环境数据的包。如：grasp包用GAM模型 (灰色代数曲线型模型)做环境预报（/web/packages/grasp /index.html）；ade4包用做环境科学里的探索和欧几里德方法（/web /packages/ade4/index.html）；adehabitat包分析动物的栖息地选择（http:/cran.r- /web/packages/adehabitat/index.html）；pastecs包做时空序列的分解和分析（/web/packages/pastecs/index.html）；vegan包做群落和植被生态学中的排序方法（/web/packages/vegan /index.html）；WeedMap包做空间预测（/web/packages /WeedMap/index.html）；clustTool包做聚类分析（/web /packages/clustTool/index.html）。更多资料见：/web /views/Environmetrics.html。Multivariate Statistics （多元统计）网址：/web/views/Multivariate.html维护人员：Paul Hewson版本：2008-02-08翻译：R-fox, 2008-04-04基本的R包已经实现了传统多元统计的很多功能，然而CRNA的许多其它包提供了更深入的多元统计方法，下面做个简要的综述。多元统计的特殊应用在 CRNA的其它任务列表（task view）里也会提及，如：排序（ordination）会在Environmetrics（ /web/views/Environmetrics.html）里说到；有监督的分类方法能在MachineLearning（http: //web/views/MachineLearning.html）里找到；无监督的分类在 Cluster（/web/views/Cluster.html）里。这里要综述的包主要分为以下几个部分：1） 多元数据可视化（Visualising multivariate data）：绘图方法：基本画图函数（如：pairs()、coplot()）和lattice包里的画图函数（xyplot()、splom()）可以画成对列表的二维散点图，3维密度图。car包里的scatterplot.matrix()函数提供更强大的二维散点图的画法。cwhmisc包集合里的cwhplot包的 pltSplomT()函数类似pair()画散点图矩阵，而且可以在对角位置画柱状图或密度估计图。除此之外，scatterplot3d包可画3维的散点图，aplpack包里bagplot()可画二变量的boxplot，spin3R()可画可旋转的三维点图。misc3d包有可视化密度的函数。 YaleToolkit包提供许多多元数据可视化技术，agsemisc也是这样。更特殊的多元图包括：aplpack包里的faces()可画 Chernoffs face；MASS包里的parcoord()可画平行坐标图（矩阵的每一行画一条线，横轴表示矩阵的每列）；graphics包里的stars()可画多元数据的星状图（矩阵的每一行用一个星状图表示）。ade4包里的mstree()和vegan包里的spantree()可画最小生成树。 calibrate包支持双变量图和散点图，chplot包可画convex hull图。geometry包提供了和qhull库的接口，由convexhulln()可给出相应点的索引。ellipse包可画椭圆，也可以用 plotcorr()可视化相关矩阵。denpro包为多元可视化提供水平集树形结构（level set trees）。graphics包里的mosaicplot()和vcd包里的mosaic()函数画马赛克图（mosaic plot）。gclus包提供了针对聚类的散点图和平行坐标图。rggobi包和DescribeDisplay包是GGobi的接口，DescribeDisplay的图可达到出版质量的要求；xgobi包是XGobi和XGvis的接口，可实现动态交互的图。最后，iplots包提供强大的动态交互图，尤其是平行坐标图和马赛克图。seriation包提供seriation方法，能重新排列矩阵和系统树。数据预处理：AIS 包提供多元数据的初步描述函数。Hmisc包里的summarize()和summary.formula()辅助描述数据，varclus()函数可做聚类，而dataRep()和find.matches()找给定数据集的典型数据和匹配数据。KnnFinder包里的nn()函数用kd-tree找相似变量的个数。dprep包为分类提供数据预处理和可视化函数，如：检查变量冗余性、标准化。base包里的dist()和cluster包里的 daisy()函数提供距离计算函数；proxy包提供更多的距离测度，包括矩阵间的距离。simba包处理已有数据和缺失数据，包括相似性矩阵和重整形。2） 假设检验（Hypothesis testing）：ICSNP包提供霍特林（Hotellings）T2检验和许多非参检验方 法，包括基于marginal ranks的位置检验（location test），计算空间中值和符号，形状估计。cramer包做两样本的非参检验，SpatialNP可做空间符号和秩检验。3） 多元分布（Multivariate distributions）：描述统计（Descriptive measures）：stats 包里的cov()和and cor()分别估计协方差和相关系数。ICSNP包提供几种数据描述方法，如：spatial.median()估计空间中值，其它的函数估计 scatter。MASS包里的cov.rob()提供更健壮的方差/协方差矩阵估计。covRobust包用最近邻方差估计法估计协方差。 robustbase包的covMCD()估计协方差和covOGK()做Orthogonalized Gnanadesikan-Kettenring。rrcov包提供可扩展和稳健的估计函数covMcd()、covMest()。corpcor包可计算大规模的协方差和偏相关矩阵。密度估计和模拟（Densities (estimation and simulation)）：MASS 包的mvrnorm()产生多元正态分布的随机数。Mvtnorm包有多元t分布和多元正态分布的概率和分位数函数，还可计算多元正态分布的密度函数。 mvtnormpcs包提供基于Dunnett的函数。mnormt包提供元t分布和多元正态分布的密度和分布函数，并可产生随机数。sn包提供多元偏t 分布和偏正态分布的密度、分布、随机数函数。delt包提供了许多估计多元密度的函数方法，如：CART和贪婪方法。CRAN的Cluster任务列表（/web/views/Cluster.html）有更全面的信息，ks包里的 rmvnorm.mixt()和dmvnorm.mixt()函数产生随机数和估计密度，bayesm包里有多种拟合方法。很多地方都提供了模拟 Wishart分布的函数，如：bayesm包里的rwishart()，MCMCpack包里的rwish()，而且MCMCpack包还有密度函数 dwish()。KernSmooth 包里的bkde2D()和MASS包的kde2d()做分箱（binned）或不分箱二维核密度估计。ks包也像ash和GenKern包样可做核平滑（kernel smoothing）。prim包用法找高维多元数据的高密度区域，feature包可计算多元数据的显著特征。正态检验（Assessing normality）：mvnormtest 包提供Shapiro-Wilks检验的多元数据延伸方法，mvoutlier包检测多元离群点（outlier），ICS包可检验多元正态分布。 energy 包里的mvnorm.etest()基于E统计量做正态检验，k.sample()检验多个数据是否来自同一分布。dprep 包里的mardia()用Mardia检验正态性。stats包里的mauchly.test()可检验Wishart分布的协方差矩阵。连接函数（Copulas）：copula 包提供常规的copula函数的程序，包括：normal, t, Clayton, Frank, Gumbel。fgac包提供generalised archimedian copula，mlCopulaSelection包可做二变量的copula。4） 线形模型（Linear models）：stats包里的lm()可做多元线形模型，anova.mlm()比较多个多元线形模型，manova()做多元方差分析（MANOVA）。sn包的msn.mle()和 and mst.mle()可拟合多元偏正态和偏t分布模型。pls包提供偏最小二乘回归（PLSR）和主成分回归；ppls包可做惩罚偏最小二乘回归；dr包提供降维回归方法，如.：片逆回归法(Sliced Inverse Regression)、片平均方差估计(sliced average variance estimation)。plsgenomics包做基于偏最小二乘回归的基因组分析。relaimpo包可评估回归参数的相对重要性。5） 投影方法（Projection methods）：主成分（Principal components）：stats 包的prcomp()（基于svd()）和princomp()（基于eigen()）能计算主成分。sca包做单分量分析。nFactors可评价碎石图(Scree plot)，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。pcurve包做主曲线（Principal Curve）分析和可视化。gmodels包提供适合大矩阵的fast.prcomp()和fast.svd()。kernlab包里的kpca()用核方法做非线性的主成分分析。pcaPP包用投影寻踪（projection pursuit）法计算稳健/鲁棒（robust）主成分。amap包的acpgen()和acprob()函数分别针对广义（generalized）和稳健（robust）主成分分析。主成分在很多方面也有相应的应用，如：涉及生态的ade4包，感官的SensoMinR包。psy包里有用于心理学的各种程序，与主成分相关的有：sphpca()用球形直观表示相关矩阵，类似于3D的PCA；fpca()图形展示主成分分析的结果，而且允许某些变量间有相关性；scree.plot()图形展示相关或协方差矩阵的特征值。PTAk包做主张量分析（Principal Tensor Analysis）。smatr包提供关于异速生长（allometry）的函数。典型相关（Canonical Correlation）：stats包里的cancor()是做典型相关的函数。kernlab包提供更稳健的核方法kcca()。concor包提供了许多concordance methods。冗余度分析（Redundancy Analysis）：calibrate包里的rda()函数可做冗余度分析和典型相关。fso包提供了模糊集排序（Ordination）方法。独立成分（Independent Components）：fastICA 包用fastICA算法做独立成分分析（ICA）和投影寻踪分析（Projection Pursuit），mlica包提供独立成分分析的最大似然拟合，PearsonICA包用基于互信息的打分函数分离独立信号。ICS包能执行不变坐标系（invariant coordinate system）和独立成分分析（independent components）。JADE包提供就JADE算法的接口，而且可做一些 ICA。普鲁克分析（Procrustes analysis）：vegan包里的procrustes()可做普鲁克分析，也提供排序（ordination）函数。更一般的普鲁克分析可由FactoMineR包里的GPA()实现。6） 主坐标/尺度方法（Principal coordinates / scaling methods）：stats包的 cmdscale()函数执行传统的多维尺度分析（multidimensional scaling，MDS）（主坐标分析Principal Coordinates Analysis），MASS包的sammon()和isoMDS()函数分别执行Sammon和Kruskal非度量多维尺度分析。vegan包提供非度量多维尺度分析的包装(wrappers)和后处理程序。7） 无监督分类（Unsupervised classification）：聚类分析：CRAN的Cluster任务列表全面的综述了R实现的聚类方法。stats里提供等级聚类hclust()和k-均值聚类kmeans()。cluster包里有大量的聚类和可视化技术，clv包里则有一些聚类确认程序，e1071包的classAgreement()可计算Rand index比较两种分类结果。Trimmed k-means聚类分析可由trimcluster包实现，聚类融合方法（Cluster Ensembles）由clue包实现，clusterSim包能帮助选择最佳的聚类，hybridHclust包提供一些混合聚类方法。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()。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。fpc包里有基于Mahalanobis距离的聚类。clustvarsel包有多种基于模型的聚类。模糊聚类（fuzzy clustering）可在cluster包和hopach包里实现。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。clusterGeneration包帮助模拟聚类。CRAN的Environmetrics任务列表里也有相关的聚类算法的综述。mclust包实现了基于模型的聚类，MFDA包实现了功能数据的基于模型的聚类。树方法：CRAN的 MachineLearning任务列表有对树方法的细节描述。分类树也常常是重要的多元方法，rpart包正是这样的包，rpart.permutation包还可以做rpart()模型的置换（permutation）检验。TWIX包的树可以外部剪枝。 hier.part包分割多元数据集的方差。mvpart包可做多元回归树，party包实现了递归分割（recursive partitioning），rrp包实现了随机递归分割。caret包可做分类和回归训练，进而caretLSF包实现了并行处理。kknn包的k-近邻法可用于回归，也可用于分类。8） 有监督分类和判别分析（Supervised classification and discriminant analysis）：MASS 包里的lda()和qda()分别针对线性和二次判别分析。mda包的mda() and fda()允许混合和更灵活的判别分析，mars()做多元自适应样条回归（multivariate adaptive regression splines），bruto()做自适应样条后退拟合（adaptive spline backfitting）。earth包里也有多元自适应样条回归的函数。rda包可用质心收缩法（shrunken centroids regularized discriminant analysis）实现高维数据的分类。VR的class包的knn()函数执行k-最近邻算法，knncat包里有针对分类变量的k-最近邻算法。 SensoMineR包的FDA()用于因子判别分析。许多包结合了降维（dimension reduction）和分类。klaR包可以做变量选择，可处理多重共线性，还有可视化函数。superpc包利用主成分做有监督的分类，classPP 包则可为其做投影寻踪（projection pursuit），gpls包用广义偏最小二乘做分类。hddplot包用交叉验证的线性判别分析决定最优的特征个数。supclust包可以根据芯片数据做基因的监督聚类。ROCR提供许多评估分类执行效果的方法。predbayescor包可做朴素贝叶斯（nave Bayes）分类。关于监督分类的更多信息可以看MachineLearning任务列表。9） 对应分析（Correspondence analysis）：MASS包的corresp()和mca()可以做简单和多重对应分析。ca包提供单一、多重和联合（joint）对应分析。ade4包的ca()和mca()分别做一般的和多重对应分析。vegan包里也有类似的函数。cocorresp可实现两个矩阵间的co-correspondence分析。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执行同质分析（homogeneity）。10） 前向查找（Forward search）：Rfwdmv包执行多元数据的前向查找。11） 缺失数据（Missing data）：mitools包里有缺失数据的多重估算（multiple imputation)的函数, mice包用chained equations实现了多重估算，mvnmle包可以为多元正态数据的缺失值做最大似然估计（ML Estimation），norm包提供了适合多元正态数据的估计缺失值的期望最大化算法（EM algorithm），cat包允许分类数据的缺失值的多重估算，mix包适用于分类和连续数据的混合数据。pan包可为面版数据(panel data)的缺失值做多重估算。VIM包做缺失数据的可视化和估算。Hmisc包的aregImpute()和transcan()提供了其它的估算缺失值方法。EMV包提供了knn方法估计缺失数据。monomvn包估计单调多元正态数据的缺失值。12） 隐变量方法（Latent variable approaches）：stats包的factanal()执行最大似然因子分析，MCMCpack包可做贝叶斯因子分析。GPArotation包提供投影梯度（Gradient Projection）旋转因子法。FAiR包用遗传算法作因子分析。ifa包可用于非正态的变量。sem包拟合线形结构方程模型。ltm包可做隐含式语义分析 (Latent semantic analysis)，eRm包则可拟合Rasch模型(Rasch models)。FactoMineR包里有很多因子分析的方法，包括：MFA()多元因子分析，HMFA()等级多元因子分析，ADFM()定量和定性数据的多元因子分析。tsfa包执行时间序列的因子分析。poLCA包针对多分类变量(polytomous variable)做潜类别分析（Latent Class Analysis）。13） 非高斯数据建模（Modelling non-Gaussian data）：bivpois包建模Poisson分布的二变量。mprobit包提供了适合二元和顺序响应变量的多元概率模型。MNP包实现了Bayesian多元概率模型。polycor包可计算多组相关（olychoric correlation）和四分相关（tetrachoric correlation）矩阵。bayesm包里有多种模型，如：表面非相关回归(Seemingly unrelated Regression)，多元logit/probit模型, 工具变量法(Instrumental Variables)。VGAM包里有：广义线形和可加模型（Vector Generalised Linear and Additive Models），减秩回归（Reduced Rank regression）。14） 矩阵处理（Matrix manipulations）：R作为一种基于向量和矩阵的语言，有许多处理矩阵的强有力的工具，由包Matrix和，SparseM实现。matrixcalc包增加了矩阵微积分的功能。spam包提供了更深入的针对稀疏矩阵的方法。15） 其它（Miscellaneous utitlies）：DEA包执行数据包络分析(data envelopment analysis,DEA)。abind包组合多维array。Hmisc包的mApply()扩充了apply()的功能。除了前面描述的功能，sn包还未偏正态和偏t分布提供边缘化（marginalisation）、仿射变换（affine transformations）等。SharedHT2包执行芯片数据的Hotellings T2检验。panel包里有面版数据(panel data)的建模方法。mAr包可做向量自回归模型(vector auto-regression)，MSBVAR包里有贝叶斯向量自回归模型。Hmisc包的rm.boot()函数bootstrap重复测量试验（Repeated Measures Models）。compositions包提供复合数据分析（compositional data analysis）。cramer包为两样本数据做多元非参Cramer检验。psy里有许多心理学的常用方法。cwhmisc包集合的 cwhmath包里有许多有趣的功能，如各种旋转函数。desirability包提供了基于密度函数的多变量最优化方法。geozoo包可以画 geozoo包里定义的几何对象。Machine Learning & Statistical Learning （机器学习 & 统计学习）网址：/web/views/MachineLearning.html维护人员：Torsten Hothorn版本：2008-02-18 18:19:21翻译：R-fox, 2008-03-18机器学习是计算机科学和统计学的边缘交叉领域，R关于机器学习的包主要包括以下几个方面：1）神经网络（Neural Netwo