دانلود کتاب The R Book

ترجمه فارسی توضیحات (ترجمه ماشینی)

کتاب R

زبان سطح بالای R به عنوان یکی از قدرتمندترین و انعطاف پذیرترین محیط های نرم افزار آماری شناخته می شود و به سرعت در حال تبدیل شدن به تنظیمات استاندارد برای تجزیه و تحلیل کمی، آمار و گرافیک است. R دسترسی رایگان به پوشش بی‌رقیب و برنامه‌های کاربردی پیشرفته را فراهم می‌کند و کاربر را قادر می‌سازد تا روش‌های آماری متعددی از رگرسیون ساده تا سری‌های زمانی یا تحلیل چند متغیره را اعمال کند.

با تکیه بر موفقیت کتاب پرفروش آمار: مقدمه ای با استفاده از R، کتاب R مملو از نمونه های کار شده است که راهنمای همه جانبه ای برای R ارائه می دهد، ایده آل برای کاربران تازه کار و حرفه ای تر به طور یکسان. این کتاب هیچ پیش‌زمینه‌ای در آمار یا محاسبات ندارد و مزایای محیط R را معرفی می‌کند و کاربردهای آن را در طیف گسترده‌ای از رشته‌ها شرح می‌دهد.

• اولین مرجع جامع را ارائه می‌کند. کتابچه راهنمای زبان R، شامل راهنمایی عملی و پوشش کامل امکانات گرافیکی.
• همه مدل‌های آماری تحت پوشش R را معرفی می‌کند که با آزمون‌های کلاسیک ساده مانند کای‌دو و t-test شروع می‌شود.
• به بررسی روش‌های پیشرفته‌تر، از رگرسیون و تحلیل واریانس، تا مدل‌های خطی تعمیم‌یافته، مدل‌های ترکیبی تعمیم‌یافته، سری‌های زمانی، آمار فضایی، آمار چند متغیره و موارد دیگر ادامه می‌دهد.

کتاب R برای دانشجویان کارشناسی، کارشناسی ارشد و متخصصان علوم، مهندسی و پزشکی طراحی شده است. همچنین برای دانشجویان و متخصصان آمار، اقتصاد، جغرافیا و علوم اجتماعی ایده آل است.

گزیده‌هایی از فصل 4 از کتاب R

فصل 4: درختان مجموعه سطح و کد یاد بگیرید که چگونه یک نمودار حجمی و یک نمودار باریسنتر بسازید و درختان مجموعه سطح را با الگوریتم LeafsFirst که در تابع “leafsfirst” پیاده سازی شده است محاسبه کنید. این تابع یک شی تابع ثابت تکه تکه را به عنوان آرگومان می گیرد.

مثال دو بعدی چندوجهی (برای بزرگنمایی روی تصویر کلیک کنید)

چگالی نشان داده شده را در نظر می گیریم در چگالی سه وجهی دو بعدی، و ابتدا یک شی تابع ثابت تکه تکه که این تابع را نشان می دهد محاسبه کنید، و سپس درخت مجموعه سطح را محاسبه کنید.

N<-c(35,35) # اندازه شبکه pcf <-sim.data(N=N,type=''mulmod'') # تابع ثابت تکه تکه lst.big<-leafsfirst(pcf) # level set tree 

ممکن است نمودار حجم را با دستور ” بسازیم plotvolu(lst)”. با این حال، ابتدا سریعتر هرس درخت تنظیم سطح، و سپس رسم درخت مجموعه سطح کاهش یافته است. تابع ”treedisc” به عنوان اولین آرگومان درخت مجموعه سطح، آرگومان دوم تابع ثابت تکه ای اصلی را می گیرد، و آرگومان سوم ”ngrid” تعداد سطوح درخت مجموعه سطح هرس شده را نشان می دهد. تعداد سطوح ngrid=100 را امتحان می کنیم.

lst<-treedisc(lst.big,pcf,ngrid=100) 

اکنون ممکن است با تابع ”plotvolu” یک نمودار حجمی بسازیم.

plotvolu( lst) 

ما با تابع ”plotbary” نمودارهای مرکز باریس را ترسیم می کنیم.

 plotbary(lst,coordi=2) # مختصات دوم 

توجه: ممکن است تعداد و مکان حالت ها را با تابع ”modecent” پیدا کنیم، که به عنوان آرگومان یک درخت مجموعه سطح را می گیرد. تابع “locofmax” یک تابع ثابت تکه تکه را به عنوان آرگومان می گیرد و مکان حداکثر را محاسبه می کند.

modecent(lst) locofmax(pcf) 

نمونه چهار وجهی سه بعدی (برای بزرگنمایی روی تصویر کلیک کنید)

مثال سه بعدی را در نظر می گیریم. این زمان محاسبه بسیار وقت گیرتر است.

N<-c(32,32,32) # اندازه شبکه pcf<-sim.data(N=N,type=''tetra3d '') # تابع ثابت تکه‌ای lst.big<-leafsfirst(pcf) # درخت مجموعه سطح lst<-treedisc(lst.big,pcf,ngrid=200) # مجموعه سطح هرس شده درخت plotvolu(lst,modelabel=FALSE) # volume plot plotvolu(lst,cutlev=0.010,ptext=0.00045,colo=TRUE) # بزرگنمایی coordi<-1 # مختصات, coordi = 1, 2, 3 plotbary(lst,coordi=coordi,ptext=0.0006) # نمودار مرکز 

این بار از پارامتر ”cutlev” برای ایجاد نمودار حجم زوم شده استفاده کرده ایم. هنگامی که این پارامتر داده می شود، تنها بخشی از درخت مجموعه سطح نشان داده می شود که بالاتر از مقدار ”cutlev” است. معمولاً بهتر است با برش دادن دم‌های تابع ولوم، روی نمودار حجم زوم کنید. این با پارامتر “xlim” به دست می آید. برای مثال می‌توانیم دستور زیر را برای ایجاد نمودار حجمی «بزرگ‌نمایی عمودی» انجام دهیم.

plotvolu(lst,xlim=c(140,220),ptext=0.00045, colo=TRUE,modelabel=FALSE) 

پارامترهای اضافی که استفاده کرده‌ایم عبارتند از ”modelabel”، که برای جلوگیری از ترسیم برچسب‌های حالت استفاده می‌شود، ”ptext”، که برچسب‌های حالت را با مقدار داده شده بلند می‌کند، و ”colo”، که نمودار تابع حجم را رنگ می کند تا مقایسه با نمودارهای باریکسنتر آسانتر شود.

مثال پنج وجهی 4 بعدی (برای بزرگنمایی روی تصویر کلیک کنید)

مثال 4 بعدی را در نظر می گیریم.

N<-c(16,16,16,16) p
The R Book
The high-level language of R is recognized as one of the most powerful and flexible statistical software environments, and is rapidly becoming the standard setting for quantitative analysis, statistics and graphics. R provides free access to unrivalled coverage and cutting-edge applications, enabling the user to apply numerous statistical methods ranging from simple regression to time series or multivariate analysis.  
Building on the success of the author’s bestselling Statistics: An Introduction using R, The R Book is packed with worked examples, providing an all inclusive guide to R, ideal for novice and more accomplished users alike. The book assumes no background in statistics or computing and introduces the advantages of the R environment, detailing its applications in a wide range of disciplines.
  
  
Provides the first comprehensive reference manual for the R language, including practical guidance and full coverage of the graphics facilities. 
  
Introduces all the statistical models covered by R, beginning with simple classical tests such as chi-square and t-test. 
  
Proceeds to examine more advance methods, from regression and analysis of variance, through to generalized linear models, generalized mixed models, time series, spatial statistics, multivariate statistics and much more. 
  
  
The R Book is aimed at undergraduates, postgraduates and professionals in science, engineering and medicine. It is also ideal for students and professionals in statistics, economics, geography and the social sciences. 
  
Excerpts from Chapter 4 of The R Book
  
Chapter 4: Level Set Trees and Code Learn how to make a volume plot and a barycenter plot, and calculate level set trees with the algorithm LeafsFirst, which is implemented in function ``leafsfirst''. This function takes as an argument a piecewise constant function object.
  
The multimodal 2D example   (Click on image to enlarge)
  
  
We consider the density shown in the 2D three-modal density, and calculate first a piecewise constant function object representing this function, and then calculate the level set tree.
  
N<-c(35,35)                      # size of the grid  pcf<-sim.data(N=N,type=''mulmod'') # piecewise constant function  lst.big<-leafsfirst(pcf)         # level set tree  
  We may make the volume plot with the command ''plotvolu(lst)''. However, it is faster first to prune the level set tree, and then plot the reduced level set tree. Function ''treedisc'' takes as the first argument a level set tree, as the second argument the original piecewise constant function, and the 3rd argument ''ngrid'' gives the number of levels in the pruned level set tree. We try the number of levels ngrid=100.  
lst<-treedisc(lst.big,pcf,ngrid=100)  
Now we may make a volume plot with the function ''plotvolu''.
plotvolu(lst)  
We draw barycenter plots with the function ''plotbary''.
  plotbary(lst,coordi=2)  # 2nd coordinate  
Note: We may find the number and the location of the modes with the ''modecent'' function, which takes as argument a level set tree. Function ''locofmax'' takes as argument a piecewise constant function and calculates the location of the maximum.
modecent(lst)  locofmax(pcf)  

  The 3D tetrahedron example   (Click on image to enlarge)  
We consider the 3-dimensional example. The calculation is much more time consuming this time.
N<-c(32,32,32)                    # the size of the grid  pcf<-sim.data(N=N,type=''tetra3d'') # piecewise constant function  lst.big<-leafsfirst(pcf)             # level set tree  lst<-treedisc(lst.big,pcf,ngrid=200) # pruned level set tree    plotvolu(lst,modelabel=FALSE)        # volume plot  plotvolu(lst,cutlev=0.010,ptext=0.00045,colo=TRUE) # zooming    coordi<-1                   # coordinate, coordi = 1, 2, 3  plotbary(lst,coordi=coordi,ptext=0.0006) # barycenter plot     
This time we have used parameter ''cutlev'' to make a zoomed volume plot. When this parameter is given, then only the part of the  level set tree is shown which is above the value ''cutlev''. Typically it is better to zoom in to the volume plot by  cutting the tails of the volume function away. This is achieved by the parameter ''xlim''. We may us for example the following command to make a ``vertically zoomed'' volume plot.
plotvolu(lst,xlim=c(140,220),ptext=0.00045,           colo=TRUE,modelabel=FALSE)   
Additional parameters which we have used are the ''modelabel'', which is used to suppress the plotting of the mode labels, ''ptext'', which lifts the mode labels with the given amount, and  ''colo'', which colors the graph of the volume function to  make a comparison with the barycenter plots easier.
  The 4D pentahedron example   (Click on image to enlarge)  
We consider the 4-dimensional example.
N<-c(16,16,16,16)    pcf<-sim.data(N=N,type=''penta4d'')  lst.big<-leafsfirst(pcf)  lst<-treedisc(lst.big,pcf,ngrid=100)    plotvolu(lst,modelabel=F)  # volume plot  plotvolu(lst,cutlev=0.0008,ptext=0.00039,colo=TRUE) # zooming    coordi<-1               # coordinate, coordi = 1, 2, 3, 4  plotbary(lst,coordi=coordi,ptext=0.0003) # barycenter plot