R语言机器学习简介

机器学习 这个词是由阿瑟-塞缪尔在1959年首次提出的。机器学习的定义可以定义为：机器学习 使计算机具有无需明确编程的学习能力。 同样在1997年，Tom Mitchell对机器学习的定义是： “如果一个计算机程序在某些任务T和某些性能指标P方面的性能随着经验E的增加而提高，那么它就被称为从经验E中学习”。 机器学习被认为是计算机科学中最有趣的领域。

机器学习如何工作？

清理从数据集中获得的数据
选择一个合适的算法来建立预测模型
训练你的模型以了解项目的模式
以更高的精度预测你的结果

机器学习的分类

根据学习的性质，机器学习的实现被分为3大类。

监督学习 监督学习顾名思义就是在有监督的情况下。简而言之，在监督学习中，我们试图用标签和已经有正确答案的数据来教导机器。在这之后，机器将创建一个数据实例集，以便监督算法分析训练数据并产生正确的标签数据输出。例如，如果我们创建了一个水果数据集，那么我们将标记为圆形的、有凹陷的、红色的水果，那么它被称为苹果。现在，当我们要求机器从一篮子的水果中识别出苹果时，它将使用之前的标签并识别出苹果。监督学习被分为以下两类。

分类： 分类问题是指输出变量是一个类别，如 “红色 “或 “橙色 “或 “可计算 “或 “不可计算”。
回归： 当输出变量是实值时，如 “Ruppes “或 “高度”，则使用回归。
1. 无监督学习 无监督学习是使用没有标记的信息对机器进行训练，它在没有任何指导下工作。在这里，机器的主要任务是利用相似性、差异性和模式来分离数据，而不需要任何事先的监督。因此，机器被限制在自己寻找未标记的数据中的隐藏结构。例如，如果我们提供一组以前从未见过的猫和狗。那么机器将根据猫和狗的行为和性质来区分这组猫和狗。现在，当我们提供狗和猫的图片时，机器会根据分类提供结果。无监督学习被分为以下两类。
聚类： 聚类问题是指机器识别数据中固有的分组，例如根据顾客在商店的访问情况进行分组。
关联： 关联问题是指我们可以找到两个事件或项目之间的关系，例如，购买物品A的人也倾向于购买B。
1. 强化学习强化学习方法是指在特定情况下采取适当的行动，使奖励最大化。它是在各种机器的监督下，在特定情况下采取最佳路径来解决问题。强化学习和监督学习之间的区别是，在监督学习中，数据有一个正确答案的关键，它用来寻找答案，但在强化学习中，代理决定做什么来执行给定任务。例如，在从一个地方到另一个地方的旅行中，我们总是考虑以最短和最好的方式到达目的地。强化学习的一些要点。
输入： 输入应该来自模型实际开始的初始阶段。
输出： 任何问题都有多个输出。
训练： 由于训练依赖于输入，模型将返回状态，用户将根据模型的输出来决定奖励或放弃。

R语言基本上是由统计学家开发的，用于帮助其他统计学家和开发人员更快、更有效地处理数据。现在我们知道，机器学习基本上是在处理大量的数据和统计，作为数据科学的一部分，R语言的使用总是被推荐。因此，对于那些从事机器学习的人来说，R语言大多变得很方便，使任务更容易、更快、更创新。下面是R语言在R编程中实现机器学习算法的一些顶级优势。

使用R语言实现机器学习的优势

它提供了良好的解释代码。例如，如果你处于机器学习项目的早期阶段，你需要解释你所做的工作，与python语言相比，用R语言工作变得很容易，因为它提供了适当的统计方法，用较少的代码行处理数据。
R语言是数据可视化的完美选择。R语言为机器学习模型的工作提供了最好的原型。
R语言有最好的工具和库包来处理机器学习项目。开发人员可以使用这些包来创建机器学习项目的最佳前模型、模型和后模型。此外，R语言的软件包比python语言更先进、更广泛，这使得它成为机器学习项目的首选。

用于实现机器学习的流行R语言包

格子：格子包支持创建显示变量或有条件的多个变量之间关系的图形。
DataExplorer： 这个R语言包专注于自动化数据可视化和数据处理，以便用户可以关注项目的数据洞察力。
Dalex(Descriptive Machine Learning Explanations)： 这个包有助于为输入变量和输出之间的关系提供各种解释。它有助于理解机器学习的复杂模型。
dplyr： 这个R包用于总结机器学习的行和列的表格数据。它采用了 “分割-应用-合并 “的方法。
Esquisse： 这个R包用于快速探索数据，以获得其中的信息。它还可以绘制条形图、柱状图、曲线图和散点图。
caret: 这个R包试图简化创建预测模型的过程。
janitor: 这个R包有检查和清理脏数据的功能。它基本上是为初学者和中级用户的用户友好性而建立的。
rpart： 这个R包有助于使用两阶段程序创建分类和回归模型。由此产生的模型被表示为二进制树。

R在机器学习中的应用

有许多顶级公司，如谷歌、Facebook、Uber等，都在使用R语言进行机器学习的应用。这些应用包括。

社会网络分析
分析趋势和模式
获得对用户行为的洞察力
找到用户之间的关系
开发分析解决方案
获取图表组件
嵌入交互式视觉图形

机器学习问题的例子

网络搜索，如Siri、Alexa、Google、Cortona： 识别用户的声音并满足其请求。
社会媒体服务： 帮助人们联系世界各地，并显示我们可能认识的人的推荐。
在线客户支持： 为客户提供高度的便利和支持人员的效率。
智能游戏： 使用高水平的反应和适应性的非玩家角色，类似于人类的智能。
产品推荐： 一种软件工具，用于推荐你可能想购买或参与的产品。
虚拟个人援助： 是可以根据所提供的指示执行任务的软件
交通警报： 根据提供的情况帮助切换交通警报
在线欺诈检测： 检查用户执行的异常功能并检测欺诈行为
医疗保健： 机器学习可以管理大量的数据，超出正常人的想象，帮助根据症状识别病人的疾病。
现实世界的例子： 当你在YouTube上搜索某种烹饪食谱时，你会看到下面的推荐，标题是 “你可能也喜欢这个”。这就是机器学习的一个常见用途。

机器学习问题的类型

回归： 回归技术有助于机器学习方法预测连续值。例如，房子的价格。
分类： 输入被分为一个或多个类或类别，以便学习者产生一个模型来分配未见的模块。例如，在电子邮件欺诈的情况下，我们可以将电子邮件分为两个类别，即 “垃圾邮件 “和 “非垃圾邮件”。
聚类： 这项技术是在总结之后，找到一组类似的实体。例如，我们可以在医院里收集和提取病人的读数。
关联： 这种技术找到共同发生的事件或项目。例如，市场-篮子。
异常检测： 这种技术通过发现异常的情况或行为来工作。例如，信用卡欺诈检测。
序列挖掘： 这种技术预测下一个流事件。例如，点击流事件。
推荐： 这种技术推荐项目。例如，根据其中的名人推荐歌曲或电影。