| 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 |