rpart.plot(fit,branch=1,branch.type=2,type=1,extra=102,shadow.col=”gray”,box.col=”green”,
split.cex=1.2,main=”Kyphosis決策樹”) #提供了複雜度損失修剪的修剪方法
printcp(fit):告訴分裂到哪一層，CP，nsplit，rel，error，交叉驗證的估計誤差（xerror），標準誤差（xstd）
prune(fit,cp=fit$cptable[which.min(fit$cptable[,"xerror"]),"CP"])：剪枝函數
【備註】：1）CRAN的 MachineLearning任務列表有對樹方法的細節描述。
2）分類樹也常常是重要的多元方法，rpart包正是這樣的包，
3）rpart.permutation包還可以做rpart()模型的置換（permutation）檢驗。
4）TWIX包的樹可以外部剪枝。
5）hier.part包分割多元數據集的方差。
6）mvpart包可做多元迴歸樹，
7）party包實現了遞歸分割（recursive partitioning），
8）rrp包實現了隨機遞歸分割。
9）caret包可做分類和迴歸訓練，進而caretLSF包實現了並行處理。
10）kknn包的k-近 鄰法可用於迴歸，也可用於分類。
4、支持向量機：
【包】：e1071，kernlab
【函數】：svm(x_train,y_train,type="C-classification",cost=10,kernel="radial",probability=TRUE,scale=FALSE)
svp=ksvm(x,y,type="C-svc",kernel="rbf",kpar=list(sigma=1),C=1)
5、無監督分類~聚類分析：
【包】：stats
【函數】：系統聚類：hclust(d,method=”complete”,members=NULL)
快速聚類：kmeans(x,centers,iter.max=10,nstart=1,algorithm=“Hartigan-Wong”)
距離函數：dist(x,method=”euclidean”,diag=FALSE,upper=FALSE,p=2)
【備註】：1）CRAN的Cluster任務列表全面的綜述了R實現的聚類方法。
2）stats裏提供等級聚類hclust()和k-均值聚類kmeans()。
3）cluster包裏有大量的聚類和可視化技 術，
4）clv包裏則有一些聚類確認程序，
5）e1071包的classAgreement()可計算Rand index比較兩種分類結果。
6）Trimmed k-means聚類分析可由trimcluster包實現，
7）聚類融合方法（Cluster Ensembles）由clue包實現，
8）clusterSim包能幫助選擇最佳的聚類，
9）hybridHclust包提供一些混合聚類方法。
10）energy包裏有基於E統計量的距離測度函數edist()和等級聚類方法hclust.energy()。
11）LLAhclust包提供基於似然（likelihood linkage）方法的聚類，也有評定聚類結果的指標。
12）fpc包裏有基於Mahalanobis距離的聚類。
13）clustvarsel包有多種基於模型的聚類。
14）模糊聚類（fuzzy clustering）可在cluster包和hopach包裏實現。
15）Kohonen包提供用於高維譜（spectra）或模式（pattern）的有監督和無監督的SOM算法。
16）clusterGeneration包幫助模擬聚類。
17）CRAN的Environmetrics任務列表裏也有相關的聚類算法的綜述。
18）mclust包實現了基於模型的聚類，
19）MFDA包實現了功能數據的基於模型的聚類。
6、關聯分析：
【包】：arules，Matrix，lattice，arulesViz
【函數】：apriori(Groceries,parameter=list(support=0.01,confidence=0.2))
eclat(Groceries, parameter = list(support = 0.05),control = list(verbose=FALSE))
7、主成分分析：
【包】：stats
【函數】：princomp(data,cor=False,scores=TRUE,covmat=NULL,subset=rep(TRUE,nrow(as.matrix(x))) ,…)
prcomp(data,cor=False,scores=TRUE,covmat=NULL,subset=rep(TRUE,nrow(as.matrix(x))) ,…)
prcomp：採用觀測值的奇異值分解方法；princomp：採用相關係數陣的特徵值分解方法
【備註】：1）stats 包的prcomp()（基於svd()）和princomp()（基於eigen()）能計算主成分。
2）sca包做單分量分析。
3）nFactors可評價碎石 圖(Scree plot)，
4）paran包可評估主成分分析得到的主成分和因子分析得到的因子。
5）pcurve包做主曲線（Principal Curve）分析和可視化。
6）gmodels包提供適合大矩陣的fast.prcomp()和fast.svd()。
7）kernlab包裏的kpca()用核 方法做非線性的主成分分析。
8）pcaPP包用投影尋蹤（projection pursuit）法計算穩健/魯棒（robust）主成分。
9）amap包的acpgen()和acprob()函數分別針對廣義（generalized） 和穩健（robust）主成分分析。
8、對應分析：
【包】：ca，MASS，vegan，FactoMineR
【函數】：簡單對應分析：ca(data,...)
多重對應分析：mjca(data,...)
plot3d.ca(ca(data,nd=3))
plot(mjca(data,lambda="Burt"))
【備註】：1）MASS包的corresp（）和mca（）可以做簡單和多重對應分析；
2）ca包提供單一、多重和聯合對應分析；
3）FactoMineR包的CA（）和MCA（）函數也能做類似的簡單和多重對應分析，還有畫圖函數，
homals可執行同質分析。
9、因子分析：
【包】：psycho，stats
【函數】：Bartlett球形檢驗：cortest.bartlett(cor(data),n=length(data))
factanal(~X1 + X2 + X3 + X4,data=freeny,factors=1)
10、神經網絡
【包】：nnet
【備註】：nnet包執行單隱層前饋神經網絡，nnet是VR包的一部分。
11、隨機森林：（迴歸和分類）
【包】：randomForest，ipred，varSelRF
【備註】：1）ipred包用bagging的思想做迴歸，分類和生存分析，組合多個模型；
2）party包也提供了基於條件推斷樹的隨機森林法；
3）varSelRF包用隨機森林法做變量選擇。
12、遞歸拆分：（迴歸，分類，生存分析）
【包】：rpart，tree
【備註】：1）遞歸拆分利用樹形結構模型，來做迴歸、分類和生存分析，主要在rpart包和tree裏執行，尤其推薦rpart包。
2）Weka裏也有這樣的遞歸拆分法，如：J4.8, C4.5, M5，包Rweka提供了R與Weka的函數的接口
13、Boosting：（提高給定任意學習算法精確度的方法）
【包】：gbm，boost
【備註】：1）gbm包做基於樹的梯度下降boosting；
2）boost包包括LogitBoost和L2Boost；
3）GAMMoost包提供基於boosting 的廣義相加模型(generalized additive models)的程序；
4）mboost包做基於模型的boosting。
14、模型確認和選擇：
【包】：e1071，ipred，svmpath，ROCR，caret，caretLSF
【函數】：tune，errorest，cost，
【備註】：1）e1071 包的tune()函數在指定的範圍內選取合適的參數；
2）svmpath包裏的函數可用來選取支持向 量機的cost參數C；
3）ROCR包提供了可視化分類器執行效果的函數，如畫ROC曲線；
4）caret包供了各種建立預測模型的函數，包括參數選擇和重要性量度；