本文自2007年5月30日起被Torsten Hothorn翻译成CRAN任务视图：机器学习统计学习。链接到英语：http://cRA.r.jord.org Web/VIEW 机器学习.HTML
    
     计算科学和统计学通常被称为机器学习。许多R语言包可以实现机器学习相关的思想和方法。我们大致将这些R包分类如下：
    
     为了深入学习R语言，你可以回复《深入学习R.R.语言》来查阅《统计咨询公众》的前一篇文章。
    
     RSNNS：提供到Stuttgart神经网络模拟器（SNNS）的接口，该网络模拟器由Stuttgart大学开发，可在官方网站http:www.ra.cs.uni tueb..de/SNNS上获得
    
     FCNN4R：提供了一个连接到C++编写的开源库（FCNN）的接口，可用于人工神经网络的计算。详细信息可以在官方网站上找到：http://fCNn.SuoSoCurr.net
    
     Rpart：用于回归、分类、生存分析等的树结构模型。推荐用于分类和回归树（CART）
    
     RWeka：t提供了到Waikato Environment for Knowledge.（Weka）的接口，它具有丰富的分类算法，包括J4.8、C4.5、M5等等。详细信息可以在官方网站上找到：http://www. Waykto .AC.NZ/mLWEKA/M5。
    
     一方面：无偏变量选择递归分类算法，统计停止准则递归分类算法；函数树（）函数是基于非参数条件推理过程，确定因变量与它们各自的独立性。变量；MOB（）函数可用于参数分类模型；具有强大的可视化二叉树功能
    
     Wsrf：提供了一种变权子空间选择方法，与传统的随机变量抽样变量选择技术不同。
    
     关于LASSO算法，您可以回复之前的文章《统计咨询公众编号：LASSO》、《LASSO的过去和现在生活》和《从惩罚函数分析岭回归和LASSO回归》。
    
     Glmnet：完全套索和弹性网络正则化路径分析，适用于线性模型、logistic回归模型、多类回归模型等。
    
     Hdm：基于Lasso的非高斯残差和异方差残差估计干预效果的高维设置，低维分量的Lasso回归
    
     GAMBoo-LSS:一种用于位置尺度和形状函数模型的一般加性模型的渐进算法
    
     BayesTree：贝叶斯加性回归树，更终的模型由许多较弱的学习者组成，但不是随机森林区段中提到的整体概念
    
     MXM：贝叶斯不稳定性，半参数非线性回归，树枝状高斯过程（包括贝叶斯CART和线性模型）
    
     Rmalschains：文化基因局部搜索链算法，是一种特殊的进化算法，结合局部搜索实值参数优化的稳定遗传算法。
    
     Arules：提供用于有效处理稀疏二进制元数据的数据结构，并为Apriori和Eclat算法实现关联规则，包括频率项集挖掘、更大频率项集和更近频率项集
    
     Opusminer：一个OPU挖掘算法，它在一个自包含的项目集下使用杠杆或增益来提供与C++的接口连接，以有效地发现事务数据的关键关联。
    
     粗糙集：粗糙集理论和模糊集理论（FRST）的综合方法
    
     Caret：提供许多函数来构建预测模型，包括参数调优、可变重要性度量和并行算法（MPI、NWS等）。
    
     H2o：一个通用的机器学习平台，可以执行许多流行的算法，包括随机森林、GBM、GLM（具有弹性网络正则化）、深度学习（前馈多层网络）等。
    
     Elem Stat.：来自Trevor Hastie、Robert Tibshirani和Jerome Friedman编辑的《统计学习的要素：数据挖掘、推理和预测》一书中的数据集、函数和示例可以从统计咨询公共数字之家{资源共享}免费B获得喔！
    
     核心学习：相对广泛的机器学习算法，包括更近邻算法、树模型、随机森林、特征选择方法等。