absorp | 肉类样品的脂肪、水分和蛋白质含量 | ||
anovaScores | 筛选选择(SBF)辅助函数 | ||
as.data.frame.resamples | 重采样结果的整理和可视化 | ||
as.matrix.confusionMatrix | 混淆矩阵作为表格 | ||
as.matrix.resamples | 重采样结果的整理和可视化 | ||
as.table.confusionMatrix | 混淆矩阵作为表格 | ||
avNNet | 基于模型平均的神经网络 | ||
avNNet.default | 基于模型平均的神经网络 | ||
avNNet.formula | 基于模型平均的神经网络 | ||
bag | 装袋的一般框架 | ||
bag.default | 装袋的一般框架 | ||
bagControl | 装袋的一般框架 | ||
bagEarth | 袋装土 | ||
bagEarth.default | 袋装土 | ||
bagEarth.formula | 袋装土 | ||
bagFDA | 袋装食品和药物管理局 | ||
bagFDA.default | 袋装食品和药物管理局 | ||
bagFDA.formula | 袋装食品和药物管理局 | ||
bbbDescr | 血脑屏障数据 | ||
best | 选择调谐参数 | ||
BloodBrain | 血脑屏障数据 | ||
BoxCoxTrans | Box-Cox变换与指数变换 | ||
BoxCoxTrans.default | Box-Cox变换与指数变换 | ||
bwplot.diff.resamples | 可视化重采样差异的格函数 | ||
bwplot.resamples | 可视化重采样结果的格函数 | ||
calibration | 概率校准图 | ||
calibration.default | 概率校准图 | ||
calibration.formula | 概率校准图 | ||
caretFuncs | 反向特征选择辅助函数 | ||
caretGA | 辅助遗传算法函数 | ||
caretSA | 辅助模拟退火函数 | ||
caretSBF | 筛选选择(SBF)辅助函数 | ||
cars | 凯利蓝皮书转售数据2005车型年通用汽车 | ||
checkConditionalX | 近零方差预测器的辨识 | ||
checkInstall | “train”中可用的模型工具 | ||
checkResamples | 近零方差预测器的辨识 | ||
class2ind | 创建一组完整的虚拟变量 | ||
classDist | 计算并预测到类质心的距离 | ||
classDist.default | 计算并预测到类质心的距离 | ||
cluster | 重采样结果的主成分分析 | ||
cluster.resamples | 重采样结果的主成分分析 | ||
compare_models | 关于模型性能的推断评估 | ||
confusionMatrix | 创建混淆矩阵 | ||
confusionMatrix.default | 创建混淆矩阵 | ||
confusionMatrix.rfe | 估计重采样混淆矩阵 | ||
confusionMatrix.sbf | 估计重采样混淆矩阵 | ||
confusionMatrix.table | 创建混淆矩阵 | ||
confusionMatrix.train | 估计重采样混淆矩阵 | ||
contr.dummy | 创建一组完整的虚拟变量 | ||
contr.ltfr | 创建一组完整的虚拟变量 | ||
cox2 | COX-2活性数据 | ||
cox2Class | COX-2活性数据 | ||
cox2Descr | COX-2活性数据 | ||
cox2IC50 | COX-2活性数据 | ||
createDataPartition | 数据拆分函数 | ||
createFolds | 数据拆分函数 | ||
createMultiFolds | 数据拆分函数 | ||
createResample | 数据拆分函数 | ||
createTimeSlices | 数据拆分函数 | ||
ctreeBag | 装袋的一般框架 | ||
defaultSummary | 跨重采样计算性能 | ||
densityplot.diff.resamples | 可视化重采样差异的格函数 | ||
densityplot.resamples | 可视化重采样结果的格函数 | ||
densityplot.rfe | 绘制递归特征选择重采样结果的格函数 | ||
densityplot.train | 绘制重采样结果的格函数 | ||
dhfr | 二氢叶酸还原酶抑制剂数据 | ||
diff.resamples | 关于模型性能的推断评估 | ||
dotPlot | 创建可变重要性值的点图 | ||
dotplot.diff.resamples | 可视化重采样差异的格函数 | ||
dotplot.resamples | 可视化重采样结果的格函数 | ||
downSample | 上下采样不平衡数据 | ||
dummyVars | 创建一组完整的虚拟变量 | ||
dummyVars.default | 创建一组完整的虚拟变量 | ||
endpoints | 肉类样品的脂肪、水分和蛋白质含量 | ||
expoTrans | Box-Cox变换与指数变换 | ||
expoTrans.default | Box-Cox变换与指数变换 | ||
extractPrediction | 从列车对象中提取预测和类概率 | ||
extractProb | 从列车对象中提取预测和类概率 | ||
fattyAcids | 商品油的脂肪酸组成 | ||
featurePlot | 预测变量格点图的包装器 | ||
filterVarImp | 基于滤波器的变量重要性计算 | ||
findCorrelation | 确定高度相关的变量 | ||
findLinearCombos | 确定矩阵中的线性组合 | ||
format.bagEarth | 设置“bagEarth”对象的格式 | ||
F_meas | 计算召回率、精确度和F值 | ||
F_meas.default | 计算召回率、精确度和F值 | ||
F_meas.table | 计算召回率、精确度和F值 | ||
gafs | 遗传算法特征选择 | ||
gafs.default | 遗传算法特征选择 | ||
gafs.recipe | 遗传算法特征选择 | ||
gafsControl | GA和SA特征选择的控制参数 | ||
gafs_initial | 辅助遗传算法函数 | ||
gafs_lrSelection | 辅助遗传算法函数 | ||
gafs_nlrSelection | 辅助遗传算法函数 | ||
gafs_raMutation | 辅助遗传算法函数 | ||
gafs_rwSelection | 辅助遗传算法函数 | ||
gafs_spCrossover | 辅助遗传算法函数 | ||
gafs_tourSelection | 辅助遗传算法函数 | ||
gafs_uCrossover | 辅助遗传算法函数 | ||
gamFuncs | 反向特征选择辅助函数 | ||
gamScores | 筛选选择(SBF)辅助函数 | ||
GermanCredit | 德国信用数据 | ||
getModelInfo | “train”中可用的模型工具 | ||
getSamplingInfo | 从列车模型获取采样信息 | ||
getTrainPerf | 跨重采样计算性能 | ||
ggplot.calibration | 概率校准图 | ||
ggplot.gafs | gafs和safs类的Plot方法 | ||
ggplot.lift | 电梯图 | ||
ggplot.resamples | 可视化重采样结果的格函数 | ||
ggplot.rfe | 绘制RFE性能配置文件 | ||
ggplot.safs | gafs和safs类的Plot方法 | ||
ggplot.train | 列车等级划分方法 | ||
ggplot.varImp.train | 绘制可变重要性度量 | ||
groupKFold | 数据拆分函数 | ||
histogram.rfe | 绘制递归特征选择重采样结果的格函数 | ||
histogram.train | 绘制重采样结果的格函数 | ||
icr | 独立分量回归 | ||
icr.default | 独立分量回归 | ||
icr.formula | 独立分量回归 | ||
index2vec | 将指标转换为二进制向量 | ||
knn3 | k-近邻分类 | ||
knn3.data.frame | k-近邻分类 | ||
knn3.formula | k-近邻分类 | ||
knn3.matrix | k-近邻分类 | ||
knn3Train | k-近邻分类 | ||
knnreg | k-近邻回归 | ||
knnreg.data.frame | k-近邻回归 | ||
knnreg.default | k-近邻回归 | ||
knnreg.formula | k-近邻回归 | ||
knnreg.matrix | k-近邻回归 | ||
knnregTrain | k-近邻回归 | ||
ldaBag | 装袋的一般框架 | ||
ldaFuncs | 反向特征选择辅助函数 | ||
ldaSBF | 筛选选择(SBF)辅助函数 | ||
learning_curve_dat | 创建数据以绘制学习曲线 | ||
levelplot.diff.resamples | 可视化重采样差异的格函数 | ||
lift | 电梯图 | ||
lift.default | 电梯图 | ||
lift.formula | 电梯图 | ||
lmFuncs | 反向特征选择辅助函数 | ||
lmSBF | 筛选选择(SBF)辅助函数 | ||
logBBB | 血脑屏障数据 | ||
LPH07_1 | 模拟功能 | ||
LPH07_2 | 模拟功能 | ||
lrFuncs | 反向特征选择辅助函数 | ||
MAE | 跨重采样计算性能 | ||
maxDissim | 最大不相似性抽样 | ||
mdrr | 多药耐药逆转(MDRR)药物数据 | ||
mdrrClass | 多药耐药逆转(MDRR)药物数据 | ||
mdrrDescr | 多药耐药逆转(MDRR)药物数据 | ||
minDiss | 最大不相似性抽样 | ||
mnLogLoss | 跨重采样计算性能 | ||
modelCor | 重采样结果的整理和可视化 | ||
modelLookup | “train”中可用的模型工具 | ||
models | 列车上可用型号的列表 | ||
multiClassSummary | 跨重采样计算性能 | ||
nbBag | 装袋的一般框架 | ||
nbFuncs | 反向特征选择辅助函数 | ||
nbSBF | 筛选选择(SBF)辅助函数 | ||
nearZeroVar | 近零方差预测器的辨识 | ||
negPredValue | 计算敏感性、特异性和预测值 | ||
negPredValue.default | 计算敏感性、特异性和预测值 | ||
negPredValue.matrix | 计算敏感性、特异性和预测值 | ||
negPredValue.table | 计算敏感性、特异性和预测值 | ||
nnetBag | 装袋的一般框架 | ||
nullModel | 适合一个简单的,非信息模型 | ||
nullModel.default | 适合一个简单的,非信息模型 | ||
nzv | 近零方差预测器的辨识 | ||
oil | 商品油的脂肪酸组成 | ||
oilType | 商品油的脂肪酸组成 | ||
oneSE | 选择调谐参数 | ||
panel.calibration | 概率校准图 | ||
panel.lift | 提升图的格面函数 | ||
panel.lift2 | 提升图的格面函数 | ||
panel.needle | 针状图格子板 | ||
parallelplot.resamples | 可视化重采样结果的格函数 | ||
pcaNNet | 具有主成分步长的神经网络 | ||
pcaNNet.default | 具有主成分步长的神经网络 | ||
pcaNNet.formula | 具有主成分步长的神经网络 | ||
pickSizeBest | 反向特征选择辅助函数 | ||
pickSizeTolerance | 反向特征选择辅助函数 | ||
pickVars | 反向特征选择辅助函数 | ||
plot.gafs | gafs和safs类的Plot方法 | ||
plot.prcomp.resamples | 重采样结果的主成分分析 | ||
plot.rfe | 绘制RFE性能配置文件 | ||
plot.safs | gafs和safs类的Plot方法 | ||
plot.train | 列车等级划分方法 | ||
plot.varImp.train | 绘制可变重要性度量 | ||
plotClassProbs | 分类模型中的图预测概率 | ||
plotObsVsPred | 在回归和分类模型中绘制观察结果与预测结果 | ||
plsBag | 装袋的一般框架 | ||
plsda | 偏最小二乘与稀疏偏最小二乘判别分析 | ||
plsda.default | 偏最小二乘与稀疏偏最小二乘判别分析 | ||
posPredValue | 计算敏感性、特异性和预测值 | ||
posPredValue.default | 计算敏感性、特异性和预测值 | ||
posPredValue.matrix | 计算敏感性、特异性和预测值 | ||
posPredValue.table | 计算敏感性、特异性和预测值 | ||
postResample | 跨重采样计算性能 | ||
pottery | 意大利前古典时期遗址的陶器 | ||
potteryClass | 意大利前古典时期遗址的陶器 | ||
prcomp.resamples | 重采样结果的主成分分析 | ||
precision | 计算召回率、精确度和F值 | ||
precision.default | 计算召回率、精确度和F值 | ||
precision.matrix | 计算召回率、精确度和F值 | ||
precision.table | 计算召回率、精确度和F值 | ||
predict.avNNet | 基于模型平均的神经网络 | ||
predict.bag | 装袋的一般框架 | ||
predict.bagEarth | 基于袋装土和FDA模型的预测值 | ||
predict.bagFDA | 基于袋装土和FDA模型的预测值 | ||
predict.BoxCoxTrans | Box-Cox变换与指数变换 | ||
predict.classDist | 计算并预测到类质心的距离 | ||
predict.dummyVars | 创建一组完整的虚拟变量 | ||
predict.expoTrans | Box-Cox变换与指数变换 | ||
predict.gafs | 预测新样本 | ||
predict.icr | 独立分量回归 | ||
predict.knn3 | k近邻预测 | ||
predict.knnreg | k近邻回归模型的预测 | ||
predict.list | 从列车对象中提取预测和类概率 | ||
predict.nullModel | 适合一个简单的,非信息模型 | ||
predict.pcaNNet | 具有主成分步长的神经网络 | ||
predict.plsda | 偏最小二乘与稀疏偏最小二乘判别分析 | ||
predict.preProcess | 预测器的预处理 | ||
predict.rfe | 向后特征选择 | ||
predict.safs | 预测新样本 | ||
predict.sbf | 过滤选择(SBF) | ||
predict.splsda | 偏最小二乘与稀疏偏最小二乘判别分析 | ||
predict.train | 从列车对象中提取预测和类概率 | ||
predictors | 列出模型中使用的预测值 | ||
predictors.default | 列出模型中使用的预测值 | ||
predictors.formula | 列出模型中使用的预测值 | ||
predictors.list | 列出模型中使用的预测值 | ||
predictors.rfe | 列出模型中使用的预测值 | ||
predictors.sbf | 列出模型中使用的预测值 | ||
predictors.terms | 列出模型中使用的预测值 | ||
predictors.train | 列出模型中使用的预测值 | ||
preProcess | 预测器的预处理 | ||
preProcess.default | 预测器的预处理 | ||
print.avNNet | 基于模型平均的神经网络 | ||
print.bag | 装袋的一般框架 | ||
print.bagEarth | 袋装土 | ||
print.bagFDA | 袋装食品和药物管理局 | ||
print.BoxCoxTrans | Box-Cox变换与指数变换 | ||
print.calibration | 概率校准图 | ||
print.confusionMatrix | 混淆矩阵的打印方法 | ||
print.dummyVars | 创建一组完整的虚拟变量 | ||
print.knn3 | k-近邻分类 | ||
print.knnreg | k-近邻回归 | ||
print.lift | 电梯图 | ||
print.pcaNNet | 具有主成分步长的神经网络 | ||
print.resamples | 重采样结果的整理和可视化 | ||
print.summary.bag | 装袋的一般框架 | ||
print.train | 火车班的打印方法 | ||
prSummary | 跨重采样计算性能 | ||
R2 | 跨重采样计算性能 | ||
recall | 计算召回率、精确度和F值 | ||
recall.default | 计算召回率、精确度和F值 | ||
recall.table | 计算召回率、精确度和F值 | ||
resampleHist | 绘制模型统计的重采样分布 | ||
resamples | 重采样结果的整理和可视化 | ||
resamples.default | 重采样结果的整理和可视化 | ||
resampleSummary | 重采样性能估计摘要 | ||
rfe | 向后特征选择 | ||
rfe.default | 向后特征选择 | ||
rfe.formula | 向后特征选择 | ||
rfe.recipe | 向后特征选择 | ||
rfeControl | 控制特征选择算法 | ||
rfeIter | 向后特征选择 | ||
rfFuncs | 反向特征选择辅助函数 | ||
rfGA | 辅助遗传算法函数 | ||
rfSA | 辅助模拟退火函数 | ||
rfSBF | 筛选选择(SBF)辅助函数 | ||
RMSE | 跨重采样计算性能 | ||
Sacramento | 加州萨克拉门托房价 | ||
safs | 模拟退火特征选择 | ||
safs.default | 模拟退火特征选择 | ||
safs.recipe | 模拟退火特征选择 | ||
safsControl | GA和SA特征选择的控制参数 | ||
safs_initial | 辅助模拟退火函数 | ||
safs_perturb | 辅助模拟退火函数 | ||
safs_prob | 辅助模拟退火函数 | ||
sbf | 过滤选择(SBF) | ||
sbf.default | 过滤选择(SBF) | ||
sbf.formula | 过滤选择(SBF) | ||
sbf.recipe | 过滤选择(SBF) | ||
sbfControl | 过滤选择控制对象(SBF) | ||
scat | Scat的形态测量数据 | ||
scat_orig | Scat的形态测量数据 | ||
segmentationData | 细胞体分割 | ||
sensitivity | 计算敏感性、特异性和预测值 | ||
sensitivity.default | 计算敏感性、特异性和预测值 | ||
sensitivity.matrix | 计算敏感性、特异性和预测值 | ||
sensitivity.table | 计算敏感性、特异性和预测值 | ||
SLC14_1 | 模拟功能 | ||
SLC14_2 | 模拟功能 | ||
sort.resamples | 重采样结果的整理和可视化 | ||
spatialSign | 计算多元空间符号 | ||
spatialSign.data.frame | 计算多元空间符号 | ||
spatialSign.default | 计算多元空间符号 | ||
spatialSign.matrix | 计算多元空间符号 | ||
specificity | 计算敏感性、特异性和预测值 | ||
specificity.default | 计算敏感性、特异性和预测值 | ||
specificity.matrix | 计算敏感性、特异性和预测值 | ||
specificity.table | 计算敏感性、特异性和预测值 | ||
splom.resamples | 可视化重采样结果的格函数 | ||
splsda | 偏最小二乘与稀疏偏最小二乘判别分析 | ||
splsda.default | 偏最小二乘与稀疏偏最小二乘判别分析 | ||
stripplot.rfe | 绘制递归特征选择重采样结果的格函数 | ||
stripplot.train | 绘制重采样结果的格函数 | ||
sumDiss | 最大不相似性抽样 | ||
summary.bag | 装袋的一般框架 | ||
summary.bagEarth | 总结一个袋装土或食品和药物管理局适合 | ||
summary.bagFDA | 总结一个袋装土或食品和药物管理局适合 | ||
summary.diff.resamples | 关于模型性能的推断评估 | ||
summary.resamples | 重采样结果的整理和可视化 | ||
svmBag | 装袋的一般框架 | ||
tecator | 肉类样品的脂肪、水分和蛋白质含量 | ||
thresholder | 生成数据以选择概率阈值 | ||
tolerance | 选择调谐参数 | ||
train | 在不同的调谐参数上拟合预测模型 | ||
train.default | 在不同的调谐参数上拟合预测模型 | ||
train.formula | 在不同的调谐参数上拟合预测模型 | ||
train.recipe | 在不同的调谐参数上拟合预测模型 | ||
trainControl | 列车控制参数 | ||
train_model_list | 列车上可用型号的列表 | ||
treebagFuncs | 反向特征选择辅助函数 | ||
treebagGA | 辅助遗传算法函数 | ||
treebagSA | 辅助模拟退火函数 | ||
treebagSBF | 筛选选择(SBF)辅助函数 | ||
twoClassSim | 模拟功能 | ||
twoClassSummary | 跨重采样计算性能 | ||
update.gafs | 更新或重新拟合SA或GA模型 | ||
update.rfe | 向后特征选择 | ||
update.safs | 更新或重新拟合SA或GA模型 | ||
update.train | 更新或重新拟合模型 | ||
upSample | 上下采样不平衡数据 | ||
varImp | 回归和分类模型中变量重要性的计算 | ||
varImp.avNNet | 回归和分类模型中变量重要性的计算 | ||
varImp.bagEarth | 回归和分类模型中变量重要性的计算 | ||
varImp.bagFDA | 回归和分类模型中变量重要性的计算 | ||
varImp.C5.0 | 回归和分类模型中变量重要性的计算 | ||
varImp.classbagg | 回归和分类模型中变量重要性的计算 | ||
varImp.cubist | 回归和分类模型中变量重要性的计算 | ||
varImp.dsa | 回归和分类模型中变量重要性的计算 | ||
varImp.earth | 回归和分类模型中变量重要性的计算 | ||
varImp.fda | 回归和分类模型中变量重要性的计算 | ||
varImp.gafs | GAs和SAs的可变重要性 | ||
varImp.Gam | 回归和分类模型中变量重要性的计算 | ||
varImp.gam | 回归和分类模型中变量重要性的计算 | ||
varImp.gbm | 回归和分类模型中变量重要性的计算 | ||
varImp.glm | 回归和分类模型中变量重要性的计算 | ||
varImp.glmnet | 回归和分类模型中变量重要性的计算 | ||
varImp.JRip | 回归和分类模型中变量重要性的计算 | ||
varImp.lm | 回归和分类模型中变量重要性的计算 | ||
varImp.multinom | 回归和分类模型中变量重要性的计算 | ||
varImp.mvr | 回归和分类模型中变量重要性的计算 | ||
varImp.nnet | 回归和分类模型中变量重要性的计算 | ||
varImp.pamrtrained | 回归和分类模型中变量重要性的计算 | ||
varImp.PART | 回归和分类模型中变量重要性的计算 | ||
varImp.plsda | 回归和分类模型中变量重要性的计算 | ||
varImp.RandomForest | 回归和分类模型中变量重要性的计算 | ||
varImp.randomForest | 回归和分类模型中变量重要性的计算 | ||
varImp.regbagg | 回归和分类模型中变量重要性的计算 | ||
varImp.rfe | 回归和分类模型中变量重要性的计算 | ||
varImp.rpart | 回归和分类模型中变量重要性的计算 | ||
varImp.RRF | 回归和分类模型中变量重要性的计算 | ||
varImp.safs | GAs和SAs的可变重要性 | ||
varImp.train | 回归和分类模型中变量重要性的计算 | ||
var_seq | 用于调整的变量序列 | ||
xyplot.calibration | 概率校准图 | ||
xyplot.lift | 电梯图 | ||
xyplot.resamples | 可视化重采样结果的格函数 | ||
xyplot.rfe | 绘制递归特征选择重采样结果的格函数 | ||
xyplot.train | 绘制重采样结果的格函数 |