1、如何用r語言去擬合任意一種數學模型
用lm()指令可以擬合一般的線性模型，多種數學模型的擬合需要調整參數，建議使用help('lm')查看具體參數設定
2、R語言作圖，怎麼實現
推薦ggplot2包
# 獲取幫助
help.start() #幫助首頁
help('foo') #或?foo
help.search('foo') #以foo為關鍵詞搜索幫助文檔回
example('foo') #函數foo使用示例
RSiteSearch('foo') #以foo為關鍵詞搜索在線文答檔和郵件列表文檔
apropos('foo',mode='function') #列出名稱中含有foo的所有可用函數
data() #列出當前已載入包的所有可用數據集
vignette() #列出當前已載入包的所有可用vignette文檔
vignette('foo') #為主題foo顯示指定的vignette文檔
3、數據挖掘 R語言實現
R的內存管理太爛了，因為很少給程序員管理的許可權，這樣一來操作系統懶加上R也懶導致常內常讀入大數容據時內存瞬間用完，導致這個R session被強制退出。
解決辦法就是把常用的大數據提前放在共享內存里。
Rmpi，snow，multicore: 平行運算/多運程運算。
Rmpi最好多看看，是mpi在R裡面的實現。這是平行運算的黃金標准。
如果你要做大數據的模型，高能運算是必須的。
4、如何用R語言實現三個水平的分層線性模型
nlme和lme4也可以實現三水平的模型，可以具體看看這兩個包里的內容，Google下，也可以找到一些應用例子。
5、如何在R語言中進行神經網路模型的建立
不能發鏈接，所以我復制過來了。
#載入程序和數據
library(RSNNS)
data(iris)
#將數據順序打亂
iris <- iris[sample(1:nrow(iris),length(1:nrow(iris))),1:ncol(iris)]
#定義網路輸入
irisValues <- iris[,1:4]
#定義網路輸出，並將數據進行格式轉換
irisTargets <- decodeClassLabels(iris[,5])
#從中劃分出訓練樣本和檢驗樣本
iris <- splitForTrainingAndTest(irisValues, irisTargets, ratio=0.15)
#數據標准化
iris <- normTrainingAndTestSet(iris)
#利用mlp命令執行前饋反向傳播神經網路演算法
model <- mlp(iris$inputsTrain, iris$targetsTrain, size=5, learnFunc="Quickprop", learnFuncParams=c(0.1, 2.0, 0.0001, 0.1),maxit=100, inputsTest=iris$inputsTest, targetsTest=iris$targetsTest)
#利用上面建立的模型進行預測
predictions <- predict(model,iris$inputsTest)
#生成混淆矩陣，觀察預測精度
confusionMatrix(iris$targetsTest,predictions)
#結果如下：
# predictions
#targets 1 2 3
# 1 8 0 0
# 2 0 4 0
# 3 0 1 10
6、多元線性回歸模型用r語言怎麼來實現
）copyattach(byu)lm(salary~age+exper)lm(salary~.,byu)#利用全部自變數做線性回歸lm()只能得出回歸系抄數，要想得到更為詳盡的回歸信息襲，應該將結果作為數據保存或者使用「擬合模型」（fittedmodel）result<-lm(salary~age+exper+age*exper,data=byu)summary(result)myresid<-result$resid#獲得殘差vcov(result)＃針對於擬知合後的模型計算方差－協方道差矩陣shapiro.test(b)#做殘差的正太性檢驗norm(bres);line(bres)#做殘差
7、如何用R語言實現數據的展開
直接用VLOOKUP函數.例如=VLOOKUP(A1,Sheet1!$A$1:$C$100,2,0),解釋起來有點麻煩,你自已看一下幫助吧.
8、R語言中怎麼實現SARIMA-GARCH模型的參數估計
對R做平穩性檢來驗，結果顯示，源在5%的顯著性水平下接受拒絕原假設，表明不存在 ... 在建立計量經濟模型時，總要選擇統計性質優良的模型 對上證指數收益率序列AR（3）模型進行條件異方差的ARCHLM檢驗（滯後8階），結果給出 AR模型的參數估計 GARCH