李垠序編譯

來自雪晴數據網

R生態體系有其非常之美，在于它的新包貢獻系統，而這也可能是R使用者顯著增加的根本原因。這一特點與堅如磐石的基礎包版本庫（CRAN）結合，給了R一個非常優越的條件。任何有足夠專業技術的人，通過合適的方法都可以為CRAN貢獻包。

僅僅關注CRAN可能無法發現其優秀的地方：事實上，對R的初學者而言，開源會讓他們遇到很多麻煩。怎樣通過一個有機的包系統來構造高質量的集成軟件？學習這些需要花費許多時間和精力。不過即使是相對新手的人來說，發現那些支撐R語言發展的基礎包并不難。那些可靠地為R語言增加價值的包已經出現在CRAN’s package dependency network。發現一個新包，并且最終有用是另一件重要的事情。出于探索精神，這里有5個可靠的新包，我認為數據科學家會對其感興趣。在CRAN上，這些包都沒有經過長時間的檢驗，因此請以合作的心態去探索他們吧。

AzureML V0.1.1

云計算對每個實踐數據科學家都很重要（或者即將變得很重要）。微軟的AzureML為R（和Python）程序員提供了一個非常豐富的機器學習環境。如果你還不是一個Azure的使用者，這個包花了大工夫來克服上手這一環境的困難。它提供了函數來將R代碼從你的本地環境推送到Azure云端，并將函數和模型發布為web服務.圖文教程會一步一步地教你，從獲得試用賬號和必要的證書到發布你的第一個簡單的實例。

distcomp V0.25.1

對大數據集的分布式計算是非常棘手的，尤其是在不能或很難共享集群間數據的環境當中。Distcomp聰明地包執行了一個局部似然算法（詳見：paper by Narasimham et al）使得在非聚合的數據集上建立一個復雜的統計模型成為可能。更多詳細的信息可以參考早期博文。

rotationForest V0.1

介于其在多種數據集上穩定良好的表現，森林算法對許多數據科學家來說是一個必選的組合方法。它的一個新變種，基于特征空間隨機子集的主成分分析有著非常好的應用前景。paper by Rodriguez et. al解釋了PCA對特征空間旋轉的意義，并將旋轉森林算法與標準隨機森林、Adaboost算法進行了比較。

rpca V0.2.3

給定一個兼有低秩性和稀疏性的矩陣，rcpa使用穩健PCA方法來彌補這一特性。Netflix數據科學家發布了這個算法（基于paper by Candes et al）。今年早些的時候，他們公布了這一算法在異常檢測問題上的驚人成功。

SwarmSVM V0.1

支持向量機也是一個主流的機器學習算法。SwarmSVM 基于聚類方法，提供了三個組合算法來訓練支持向量機（詳見paper by Gu and Han）。程序包的圖文教程提供了一個實例來介紹該方法。

原文：5 New R Packages for Data Scientists