Phenquestions
Mengkompilasi dan Menjalankan R dari Command Line
Dua cara untuk menjalankan program R adalah: skrip R, yang banyak digunakan dan paling disukai dan yang kedua adalah R CMD BATCH, bukan perintah yang umum digunakan. Kami dapat memanggil mereka langsung dari baris perintah atau penjadwal pekerjaan lainnya.
Anda dapat memanggil perintah ini dari shell yang ada di dalam IDE dan saat ini, RStudio IDE hadir dengan alat yang meningkatkan atau mengelola skrip R dan fungsi R CMD BATCH.
source() fungsi di dalam R adalah alternatif yang baik untuk menggunakan baris perintah. Fungsi ini juga dapat memanggil skrip, tetapi untuk menggunakan fungsi ini, Anda harus berada di dalam lingkungan R.
Set Data Bawaan Bahasa R
Untuk membuat daftar kumpulan data yang terintegrasi dengan R, gunakan perintah data() , lalu temukan yang Anda inginkan, dan gunakan nama kumpulan data dalam fungsi data(). Suka data (nama fungsi).
Tampilkan Kumpulan Data dalam R
Tanda tanya (?) dapat digunakan untuk meminta bantuan kumpulan data.
Untuk memeriksa semuanya gunakan ringkasan ().
Plot () juga merupakan fungsi yang digunakan untuk memplot grafik.
Mari buat skrip pengujian dan jalankan. Membuat p1.R file dan simpan di direktori home dengan konten berikut:
Contoh Kode:
# Kode hello world sederhana dalam R print("Hello World!") print("LinuxHint") print(5+6) 
Menjalankan Halo Dunia
R Bingkai Data
Untuk menyimpan data dalam tabel, kami menggunakan struktur dalam R yang disebut a Bingkai Data. Ini digunakan untuk membuat daftar vektor dengan panjang yang sama. Misalnya, variabel nm berikut adalah bingkai data yang berisi tiga vektor x, y, z:
x = c(2, 3, 5) y = c("aa", "bb", "cc") z = c(TRUE, FALSE, TRUE) # nm adalah kerangka data nm = data.bingkai (n, s, b) Ada konsep yang disebut Built-inBingkai Data dalam R juga. mtcars adalah salah satu kerangka data bawaan di R, yang akan kita gunakan sebagai contoh, untuk pemahaman kita yang lebih baik. Lihat kode di bawah ini:
> mtcars mpg cyl disp hp drat wt… Mazda RX4 21.0 6 160 110 3.90 2.62… bus RX4 Wag 21.0 6 160 110 3.90 2.88… Datsun 710 22.8 4 108 93 3.85 2.32…
kerangka data mtcars bulitin
Header adalah baris atas tabel yang berisi nama kolom. Baris data disumbangkan oleh setiap garis horizontal; setiap baris dimulai dengan nama baris dan kemudian diikuti oleh data aktual. Anggota data dari suatu baris disebut sebagai sel.
Kami akan memasukkan koordinat baris dan kolom dalam satu kurung siku operator '[]' untuk mengambil data dalam sel. Untuk memisahkan koordinat, kami menggunakan koma. Urutan itu penting. Koordinat dimulai dengan baris kemudian koma dan diakhiri dengan kolom. Nilai sel 2dan baris dan 1st kolom diberikan sebagai:
> mtcars[2, 2] [1] 6
Kami juga dapat menggunakan nama baris dan kolom alih-alih koordinat:
> mtcars["Bus RX4", "mpg"] [1] 6
fungsi nrow digunakan untuk menemukan jumlah baris dalam bingkai data.
> nrow(mtcars) # jumlah baris data [1] 32
fungsi ncol digunakan untuk menemukan jumlah kolom dalam bingkai data.
> ncol(mtcars) # jumlah kolom [1] 11
Loop Pemrograman R
Dalam beberapa kondisi, kami menggunakan loop ketika kami ingin mengotomatisasi beberapa bagian dari kode, atau kami ingin mengulang urutan instruksi.
Untuk loop di R
Jika kami ingin mencetak informasi tahun ini lebih dari satu kali.
print(paste("Tahun adalah", 2000)) "Tahun adalah 2000" print(paste("Tahun adalah", 2001)) "Tahun adalah 2001" print(paste("Tahun adalah", 2002) ) "Tahun adalah 2002" print(paste("Tahun adalah", 2003)) "Tahun adalah 2003" print(paste("Tahun adalah", 2004)) "Tahun adalah 2004" print(paste(" Tahunnya adalah", 2005)) "Tahun adalah 2005" Alih-alih mengulangi pernyataan kami lagi dan lagi jika kami menggunakan untuk loop itu akan lebih mudah bagi kita. Seperti ini:
for (tahun dalam c(2000,2001,2002,2003,2004,2005)) print(paste("Tahun adalah", tahun)) "Tahun adalah 2000" "Tahun adalah 2001" "Tahun adalah 2002" "Tahun 2003" "Tahun 2004" "Tahun 2005" Loop Sementara di R
while (ekspresi) pernyataan
Jika hasil ekspresi adalah TRUE, badan loop dimasukkan. Pernyataan di dalam loop dilakukan, dan aliran kembali untuk menilai ekspresi lagi. Loop akan berulang dengan sendirinya hingga ekspresi bernilai FALSE, dalam hal ini loop keluar.
Contoh perulangan while:
# i awalnya diinisialisasi ke 0 i = 0 while (i<5) print (i) i=i+1 Output: 0 1 2 3 4
Dalam perulangan while di atas, ekspresinya adalah saya<5yang mengukur TRUE karena 0 kurang dari 5. Oleh karena itu, tubuh loop dieksekusi, dan saya adalah output dan bertambah. Penting untuk meningkat saya di dalam loop, jadi entah bagaimana akan memenuhi kondisi di beberapa titik. Pada loop berikutnya, nilai saya adalah 1, dan loop berlanjut. Itu akan berulang sampai saya sama dengan 5 ketika kondisi 5<5 reached loop will give FALSE and the while loop will exit.
Fungsi R
Untuk membuat fungsi kita menggunakan fungsi direktif (). Secara khusus, mereka adalah objek R dari kelas fungsi.
f <- function() ##some piece of instructions
Khususnya, fungsi dapat diteruskan ke fungsi lain karena argumen dan fungsi dapat disarangkan, untuk memungkinkan Anda menentukan fungsi di dalam fungsi lain.
Fungsi secara opsional dapat memiliki beberapa argumen bernama yang memiliki nilai default. Jika Anda tidak menginginkan nilai default, Anda dapat mengatur nilainya ke NULL.
Beberapa fakta tentang argumen Fungsi R:
- Argumen yang diakui dalam definisi fungsi adalah argumen formal
- Fungsi formal dapat memberikan kembali daftar semua argumen formal suatu fungsi
- Tidak setiap panggilan fungsi di R menggunakan semua argumen formal
- Argumen fungsi mungkin memiliki nilai default, atau mungkin hilang
#Mendefinisikan Fungsi: f <- function (x, y = 1, z = 2, s= NULL)
Membuat model regresi logistik dengan kumpulan data bawaan
Itu glm() fungsi digunakan dalam R agar sesuai dengan regresi logistik. fungsi glm() mirip dengan lm() tetapi glm() memiliki beberapa parameter tambahan. Formatnya terlihat seperti ini:
glm(X~Z1+Z2+Z3, family=binomial (link=”logit”), data=mydata)
X bergantung pada nilai Z1, Z2, dan Z3. Artinya Z1, Z2 dan Z3 adalah variabel bebas dan X adalah variabel terikat.
Misalkan kita memiliki contoh siswa di mana dia akan diterima berdasarkan dua hasil ujian. Kumpulan data berisi item berikut:
- hasil _1- Hasil-1 skor
- hasil _2- Hasil -2 skor
- diterima- 1 jika diterima atau 0 jika tidak diterima
Dalam contoh ini, kami memiliki dua nilai 1 jika seorang siswa diterima dan 0 jika dia tidak diterima. Kita harus membuat model untuk memprediksi apakah siswa tersebut diterima atau tidak,. Untuk soal yang diberikan, pengakuan dianggap sebagai variabel terikat, ujian_1 dan ujian_2 dianggap sebagai variabel bebas. Untuk model itu, kode R kami diberikan
>Model_1<-glm(admitted ~ result_1 +result_2, family = binomial("logit"), data=data) Misalkan kita memiliki dua hasil siswa have. Hasil-1 65% dan hasil-2 90%, sekarang kita akan memprediksi bahwa siswa tersebut diterima atau tidak untuk memperkirakan probabilitas siswa untuk masuk kode R kami adalah sebagai berikut:
>dalam_frame<-data.frame(result_1=65,result_2=90) >prediksi(Model_1,in_frame, type="response") Output: 0.9894302
Output di atas menunjukkan kepada kita probabilitas antara 0 dan 1. Jika kurang dari 0.5 artinya siswa tidak masuk. Dalam kondisi ini, itu akan SALAH. Jika lebih besar dari 0.5, kondisi akan dianggap BENAR yang berarti siswa tersebut telah diterima. Kita harus menggunakan fungsi round () untuk memprediksi probabilitas antara 0 dan 1.
Kode R untuk itu adalah seperti yang ditunjukkan di bawah ini:
>round(predict(Model_1, in_frame, type="response"))[/code] Output: 1
Seorang siswa akan mendapatkan penerimaan karena outputnya adalah 1. Selain itu, kami juga dapat memprediksi pengamatan lain dengan cara yang sama.
Menggunakan model regresi logistik (skor) dengan data baru
Saat diperlukan, kami dapat menyimpan model dalam file. Kode R untuk model kereta kita akan terlihat seperti ini:
model <- glm(my_formula, family=binomial(link='logit'),data=model_set)
Model ini dapat disimpan dengan:
simpan(file="namafile",file_file)
Anda dapat menggunakan file setelah menyimpannya, dengan menggunakan ketenangan kode R:
muat(file="namafile")
Untuk menerapkan model untuk data baru, Anda dapat menggunakan baris kode ini:
model_set$pred <- predict(the_model, newdata=model_set, type="response")
CATATAN: Model_set tidak dapat ditetapkan ke variabel apa pun. Untuk memuat model kita akan menggunakan fungsi load(). Pengamatan baru tidak akan mengubah apa pun dalam model. Modelnya akan tetap sama. Kami menggunakan model lama untuk membuat prediksi tentang data baru untuk tidak mengubah apa pun dalam model.
Kesimpulan
Saya harap Anda telah melihat bagaimana pemrograman R bekerja dengan cara dasar dan bagaimana Anda dapat dengan cepat beraksi melakukan pembelajaran mesin dan pengkodean statistik dengan R.
