Обзор интересных R-пакетов за октябрь 2018 г.

• automl - автоматизированное нахождение оптимальных гиперпараметров для различных алгоритмов машинного обучения - от линейной регрессии до нейронных сетей (см. примеры здесь).
• carbonate - R-интерфейс к библиотеке carbon.js, с помощью которой можно создавать визуализации небольших фрагментов кода, вроде этой:





• crfsuite - новый пакет для обработки естественного языка.
• data.table - теперь функция fread() этого популярного пакета способна читать сжатые данные в форматах gz и bz2.
• gratia - пакет для ggplot2-стилизованной визуализации результатов построения GAM моделей с помощью функций gam(), bam() или gamm() из базового пакета mgcv.
• modelplotr - визуализация качества предсказательных моделей с помощью метрик, важных для принятия бизнес-решений.
• plumber - этот популярный пакет для создания веб-сервисов с использованием функционала R будет интегрирован в новую версию RStudio.
• RcppAnnoy - легковесная библиотека для выполнения приблизительного поиска ближайших соседей.
• RcppRedis - R-интерфейс для работы с Redis.
• tweenr - набор утилит для интерполяции данных и создания анимированных графиков.

P.S.: Мой коллега и соавтор Владимир Кириллович Шитиков запустил свой блог "Экология с R" - рекомендую посетить!

Обзор интересных R-пакетов за июнь 2018 г.

• bs4Dash - Shiny-дэшборды в стиле Bootstrap 4.
• cld3 - автоматическое определение языка текстового документа с помощью алгоритма Compact Language Detector от Google.
• ggalluvial - расширение ggplot2 для создания "аллювиальных диаграмм" (см. примеры здесь).
• ggstatsplot - расширение ggplot2 для создания графиков, содержащих результаты статистических тестов и др. сводную информацию о данных.
• googlesheets - R-интерфейс для работы с Google Sheets.
• lemon - набор функций для более гибкой настройки осей, легенд и др. элементов ggplot2-диаграмм.
• multinets - анализ многоуровневых графов по методологии, описанной в работе Lazega et al. (2008).
• pmml - конвертация моделей, созданных с помощью R, в формат PMML.
• shinydashboardPlus - дополнительные AdminLTE2-компоненты для Shiny-дэшбордов.
• tsibble - пакет для "опрятной" работы с данными, включащими временные метки.

Обзор интересных R-пакетов за май 2018 г.

• AROC - вычисление площади под ROC-кривой с поправкой на влияние предикторов.
• biclust - несколько методов для бикластеризации.
• bigQueryR - R-интерфейс для работы с BigQuery. См. примеры здесь.
• cloudml - R-интерфейс для работы с Google Cloud Machine Learning Engine.
• DHARMa - набор утилит для диагностики качества моделей со смешанными эффектами.
• dtwclust - несколько методов для кластеризации временных рядов.
• fst - быстрая сериализация таблиц данных R (data frames).
• netdiffuseR - моделирование процесса распространения болезней в системах, представленных в виде графов.
• stringdist - несколько методов для вычисления сходства между значениями строковых переменных (van der Loor 2014).
• textclean - набор утилит для очистки текстовых данных.

Обзор интересных R-пакетов за апрель 2018 г.

• anomalize - выявление аномальных наблюдений во временных рядах.
• cutpointr - нахождение оптимальных пороговых значений вероятностей в задачах бинарной классификации.
• datamap - создание интерактивных картограмм.
• ggquickeda - Shiny-приложение для интерактивного разведочного анализа данных.
• h2o4gpu - GPU-версии всех стандартных алгоритмов из пакета h2o.
• iml - реализация нескольких методов, позволяющих интерпретировать результаты работы алгоритмов машинного обучения (относительная важность предикторов, степень вклада каждого предиктора в то или иное предсказанное значение и др.).
• psyosphere - анализ и визуализация GPS-данных.
• reticulate - R-интерфейс для работы с Python (двусторонняя конвертация типов данных, исполнение Python-кода в R-скриптах, R Markdown-документах, и проч.).
• shinyanimate - R-обертка для animate.css, позволяющая придать эффект анимации любому UI-элементу в Shiny-приложениях.
• tsfknn - прогнозирование временных рядов с использованием алгоритма ближайших соседей (по Martinez et al. 2017).

Интервальное оценивание параметров распределения

Автор: Владимир Шитиков

Два подхода к оценке доверительных интервалов 

Одна из главных задач статистической обработки заключается в оценке по выборочным данным таких параметров наблюдаемой случайной величины, как центр положения \(m\), интенсивность разброса \(s\) или форма кривой плотности распределения эмпирических частот. Для этого часто используется параметрический подход, который предполагает приближенную аппроксимацию эмпирического распределения наиболее подходящим теоретическим распределением (нормальным, логнормальным, биномиальным, гипергеометрическим или иным).