poster
2019-12-14, 20:13
我最近开始学习R，而不是开始在Matlab中进行编码，主要是因为R是开源的。我目前在数据挖掘和机器学习领域。我发现许多在R中实现的机器学习算法，而且我仍在探索在R中实现的不同软件包。
我有一个快速的问题：您如何将R与Matlab进行数据挖掘应用进行比较，其流行度，优缺点，行业和学术认可度等？您会选择哪一个？为什么？
我针对各种指标对Matlab vs R进行了各种比较，但是我特别想获得其在数据挖掘和ML中的适用性答案。由于两种语言对我来说都是很新的，我只是想知道R是否是一个不错的选择。
我感谢任何建议。
回答：
在过去三年左右的时间里，我每天都使用R，而每天的大部分使用都花在了机器学习/数据挖掘问题上。
我上大学时是Matlab的独家用户。当时我认为这是一套出色的工具/平台。我相信今天也是。
对于使用MATLAB进行ML /数据挖掘工作的人员而言，神经网络工具箱，优化工具箱，统计工具箱和曲线拟合工具箱都是非常理想的（如果不是必不可少的），但是它们都与基本的MATLAB环境分开 -在其他环境中的话，它们必须单独购买。
我在R中学习ML /数据挖掘的前5个列表 ：
R中的采矿协会规则 (http://lyle.smu.edu/IDA/arules/)
这是指有两件事情：第一，R组包，所有的开始arules（可从CRAN）的;您可以在Project Homepage (http://lyle.smu.edu/IDA/arules/)上找到完整列表（arules，aruluesViz等）。其次，所有这些软件包都是基于称为“ 市场分析”或关联规则的数据挖掘技术。在许多方面，该系列算法是数据挖掘的本质-遍历大型事务数据库，并在这些数据库的字段（变量或特征）之间找到高于平均水平的关联或相关性。实际上，您可以将它们连接到数据源，并使它们通宵运行。上述集合中的中央R包称为规则 ;在arules的CRAN软件包页面上，您可以找到有关arules软件包和一般关联规则技术的几个出色的辅助资源（在R的词典中的短片 ）的链接。
标准参考是Hastie等人的《统计学习要素》 (http://www-stat.stanford.edu/~tibs/ElemStatLearn/) 。
本书的最新版本可以数字形式免费获得 。同样，在本书的网站上（链接到上面）是ESL中使用的所有数据集，可以免费下载。 （顺便说一句，我有免费的数字版本；我也从BN.com购买了精装版本；数字版本中的所有色图均以精装版本复制。）ESL包含对至少一个示例的详尽介绍。大部分主要的ML准则-例如神经元metworks，SVM，KNN;无监督技术（LDA，PCA，MDS，SOM，聚类），多种回归，CART，贝叶斯技术以及模型聚合技术（Boosting，Bagging）和模型调整（正则化）。最后，从CRAN获得随书附送的R包（这将省去下载输入数据集的麻烦）。
CRAN 任务视图：机器学习
可用于R的+3,500个软件包按领域划分为大约30个软件包系列或“ 任务视图 (http://cran.r-project.org/web/views/) ”。机器学习就是这些家族之一。机器学习任务视图包含大约50个软件包。其中一些软件包是核心发行版的一部分，其中包括e1071（一个庞大的ML软件包，其中包含许多常规ML类别的工作代码。）
Revolution Analytics博客 (http://blog.revolutionanalytics.com/predictive-analytics/page/4/)
特别关注Predictive Analytics标记的帖子
R的ML教程 (http://blog.revolutionanalytics.com/2009/09/machine-learning-in-r-in-a-nutshell.html)由Josh Reich的幻灯片和R代码组成
对代码的深入研究本身将是R中ML的出色入门。
我认为这是一项很好的最终资源，但是在前5名中却没有做到：
机器学习入门指南[R] (http://abeautifulwww.com/2009/10/11/guide-to-getting-started-in-machine-learning/)
张贴在博客美丽的万维网
更多&回答... (https://stackoverflow.com/questions/4811995)
我有一个快速的问题：您如何将R与Matlab进行数据挖掘应用进行比较，其流行度，优缺点，行业和学术认可度等？您会选择哪一个？为什么？
我针对各种指标对Matlab vs R进行了各种比较，但是我特别想获得其在数据挖掘和ML中的适用性答案。由于两种语言对我来说都是很新的，我只是想知道R是否是一个不错的选择。
我感谢任何建议。
回答：
在过去三年左右的时间里，我每天都使用R，而每天的大部分使用都花在了机器学习/数据挖掘问题上。
我上大学时是Matlab的独家用户。当时我认为这是一套出色的工具/平台。我相信今天也是。
对于使用MATLAB进行ML /数据挖掘工作的人员而言，神经网络工具箱，优化工具箱，统计工具箱和曲线拟合工具箱都是非常理想的（如果不是必不可少的），但是它们都与基本的MATLAB环境分开 -在其他环境中的话，它们必须单独购买。
我在R中学习ML /数据挖掘的前5个列表 ：
R中的采矿协会规则 (http://lyle.smu.edu/IDA/arules/)
这是指有两件事情：第一，R组包，所有的开始arules（可从CRAN）的;您可以在Project Homepage (http://lyle.smu.edu/IDA/arules/)上找到完整列表（arules，aruluesViz等）。其次，所有这些软件包都是基于称为“ 市场分析”或关联规则的数据挖掘技术。在许多方面，该系列算法是数据挖掘的本质-遍历大型事务数据库，并在这些数据库的字段（变量或特征）之间找到高于平均水平的关联或相关性。实际上，您可以将它们连接到数据源，并使它们通宵运行。上述集合中的中央R包称为规则 ;在arules的CRAN软件包页面上，您可以找到有关arules软件包和一般关联规则技术的几个出色的辅助资源（在R的词典中的短片 ）的链接。
标准参考是Hastie等人的《统计学习要素》 (http://www-stat.stanford.edu/~tibs/ElemStatLearn/) 。
本书的最新版本可以数字形式免费获得 。同样，在本书的网站上（链接到上面）是ESL中使用的所有数据集，可以免费下载。 （顺便说一句，我有免费的数字版本；我也从BN.com购买了精装版本；数字版本中的所有色图均以精装版本复制。）ESL包含对至少一个示例的详尽介绍。大部分主要的ML准则-例如神经元metworks，SVM，KNN;无监督技术（LDA，PCA，MDS，SOM，聚类），多种回归，CART，贝叶斯技术以及模型聚合技术（Boosting，Bagging）和模型调整（正则化）。最后，从CRAN获得随书附送的R包（这将省去下载输入数据集的麻烦）。
CRAN 任务视图：机器学习
可用于R的+3,500个软件包按领域划分为大约30个软件包系列或“ 任务视图 (http://cran.r-project.org/web/views/) ”。机器学习就是这些家族之一。机器学习任务视图包含大约50个软件包。其中一些软件包是核心发行版的一部分，其中包括e1071（一个庞大的ML软件包，其中包含许多常规ML类别的工作代码。）
Revolution Analytics博客 (http://blog.revolutionanalytics.com/predictive-analytics/page/4/)
特别关注Predictive Analytics标记的帖子
R的ML教程 (http://blog.revolutionanalytics.com/2009/09/machine-learning-in-r-in-a-nutshell.html)由Josh Reich的幻灯片和R代码组成
对代码的深入研究本身将是R中ML的出色入门。
我认为这是一项很好的最终资源，但是在前5名中却没有做到：
机器学习入门指南[R] (http://abeautifulwww.com/2009/10/11/guide-to-getting-started-in-machine-learning/)
张贴在博客美丽的万维网
更多&回答... (https://stackoverflow.com/questions/4811995)