R语言 BioSeqClass包 model()函数中文帮助文档(中英文对照)

loveR

model(BioSeqClass)
model()所属R语言包：BioSeqClass

                                        Classification Models
                                         分类模型

                                         译者：生物统计家园网 机器人LoveR

描述----------Description----------

These functions build various classification models.
这些功能建立不同的分类模型。


用法----------Usage----------


  classifyModelLIBSVM(train,svm.kernel="linear",svm.scale=FALSE)
  classifyModelSVMLIGHT(train,svm.path,svm.options="-t 0")
  classifyModelNB(train)
  classifyModelRF(train)
  classifyModelKNN(train, test, knn.k=1)
  classifyModelTree(train)
  classifyModelNNET(train, nnet.size=2, nnet.rang=0.7, nnet.decay=0, nnet.maxit=100)
  classifyModelRPART(train)
  classifyModelCTREE(train)
  classifyModelCTREELIBSVM(train, test, svm.kernel="linear",svm.scale=FALSE)
  classifyModelBAG(train)  



参数----------Arguments----------

参数：train
a data frame including the feature matrix and class label. The last column is a vector of class label comprising of "-1" or "+1";  Other columns are features.
一个数据框，包括特征矩阵和类标号。最后一列是一个阶级标签的向量，“-1”或“+1”的组成;其他列的功能。


参数：svm.kernel
a string for kernel function of SVM.  
内核SVM的函数的字符串。


参数：svm.scale
a logical vector indicating the variables to be scaled.  
逻辑向量表示要缩放的变量。


参数：svm.path
a character for path to SVMlight binaries (required, if path  is unknown by the OS).  
的SVMlight二进制文件的路径（需要，如果路径是未知的操作系统）的特点。


参数：svm.options
Optional parameters to SVMlight. For further details see:  "How to use" on http://svmlight.joachims.org/. (e.g.: "-t 2 -g 0.1"))   
SVMlight可选参数。为进一步的详细信息，请参阅：“如何使用”上http://svmlight.joachims.org/~~V。 （例如：“-T-G 0.1”））


参数：nnet.size
number of units in the hidden layer. Can be zero if there are  skip-layer units.  
在隐藏层单位数目。如果有跳层单位，可以是零。


参数：nnet.rang
Initial random weights on [-rang, rang]. Value about 0.5 unless  the inputs are large, in which case it should be chosen so that  rang * max(|x|) is about 1.   
初始随机权[响了，响了]。 *最大（价值约0.5除非投入大，在这种情况下，应选择使响| X |）1。


参数：nnet.decay
parameter for weight decay.  
参数重量衰变。


参数：nnet.maxit
maximum number of iterations.   
最大迭代次数。


参数：knn.k
number of neighbours considered in function classifyModelKNN.   
在功能classifyModelKNN考虑的邻居数。


参数：test
a data frame including the feature matrix and class label. The last column is a vector of class label comprising of "-1" or "+1";  Other columns are features.   
一个数据框，包括特征矩阵和类标号。最后一列是一个阶级标签的向量，“-1”或“+1”的组成;其他列的功能。


Details

详情----------Details----------

classifyModelLIBSVM builds support vector machine model by LibSVM. R package "e1071" is needed.
classifyModelLIBSVM LIBSVM支持向量机模型的基础上。 R包“e1071”是必要的。

classifyModelSVMLIGHT builds support vector machine model by SVMlight.   R package "klaR" is needed.
classifyModelSVMLIGHT建立的SVMlight支持向量机模型。 R包“克拉尔”是必要的。

classifyModelNB builds naive bayes model. R package "klaR" is  needed.
classifyModelNB建立Naive Bayes模型。 R包“克拉尔”是必要的。

classifyModelRF builds random forest model. R package  "randomForest" is needed.
classifyModelRF建立随机森林模型。 R包“randomForest”是必要的。

classifyModelKNN builds k-nearest neighbor model. R package  "class" is needed.
classifyModelKNN建立k-近邻模型。 R包“类”是必要的。

classifyModelTree builds tree model. R package "class" is needed.
classifyModelTree建立树模型。 R包“类”是必要的。

classifyModelRPART builds recursive partitioning trees model. R  package "rpart" is needed.
classifyModelRPART建立递归分割的树木模型。 R包“软件rpart”的需要。

classifyModelCTREE builds conditional inference trees model. R  package "party" is needed.
classifyModelCTREE建立有条件的推理树模型。 R包“党”是必要的。

classifyModelCTREELIBSVM combines conditional inference trees and  support vecotr machine. R package "party" and "e1071" is needed.
classifyModelCTREELIBSVM结合有条件的推理树和支持vecotr机。 R包“党”和“e1071”是必要的。

classifyModelBAG uses bagging method. R package "ipred" is needed.  
classifyModelBAG采用套袋方法。 R包“ipred”是必要的。


作者（S）----------Author(s)----------


Hong Li



举例----------Examples----------


  ## read positive/negative sequence from files.[＃从文件中读取正/负序列。]
  tmpfile1 = file.path(.path.package("BioSeqClass"), "example", "acetylation_K.pos40.pep")
  tmpfile2 = file.path(.path.package("BioSeqClass"), "example", "acetylation_K.neg40.pep")
  posSeq = as.matrix(read.csv(tmpfile1,header=FALSE,sep="\t",row.names=1))[,1]
  negSeq = as.matrix(read.csv(tmpfile2,header=FALSE,sep="\t",row.names=1))[,1]
  data = data.frame(rbind(featureBinary(posSeq,elements("aminoacid")),
       featureBinary(negSeq,elements("aminoacid")) ),
       class=c(rep("+1",length(posSeq)),
       rep("-1",length(negSeq))) )
  
  ## sample train and test data[＃样品的训练和测试数据]
  tmp = c(sample(1:length(posSeq),length(posSeq)*0.8),
    sample(length(posSeq)+(1:length(negSeq)),length(negSeq)*0.8))
  train = data[tmp,]
  test = data[-tmp,]
  
  ## Build classification model using training data[＃建立分类模型，利用训练数据]
  model1 = classifyModelLIBSVM(train,svm.kernel="linear",svm.scale=FALSE)
  ## Predict test data by classification model[＃测试数据分类模型预测]
  testClass = predict(model1, test[,-ncol(test)])  

转载请注明:出自 生物统计家园网(http://www.biostatistic.net)。


注：
注1：为了方便大家学习，本文档为生物统计家园网机器人LoveR翻译而成，仅供个人R语言学习参考使用，生物统计家园保留版权。
注2：由于是机器人自动翻译，难免有不准确之处，使用时仔细对照中、英文内容进行反复理解，可以帮助R语言的学习。
注3：如遇到不准确之处，请在本贴的后面进行回帖，我们会逐渐进行修订。