KeapNotes blog

问题. Rstudio无法用https正常下载R包

有些服务器会有无法用https访问网站的问题，如：

URL 'https://cran.rstudio.com/src/contrib/PACKAGES.rds': status was 'SSL connect error'

在之前Shiny reference resoures中提到一篇book(Engineering Production-Grade Shiny Apps)，里面提到构建一个R package来展示以及分享Shiny app，并且推荐用golem包来搭建Shiny app package的框架

{golem} is an opinionated framework for building production-grade shiny applications

最近找shiny resource，发现shiny的shinyWidgets拓展包使用着非常不错，能给shiny各个控件润色不少，记录下一些有趣的功能

示例概览可以看官方文档：Widgets available

Function reference包含了shinyWidgets包所有的函数，点击后可查看具体某个函数的示例

为了方便后续的使用，我对一些函数的大体功能做了整理，便于个人使用

最近由于工作上的需求重新整理了下Shiny资料，以及在网上找了些新的东西学习了下，一些个人觉得蛮适合shiny学习的资料在此分享一下。。。后续还会整理下实用的Shiny extend packages

Odds ratio(OR)从字面上可看出，是两个odds的ratio，其用于：

在病例对照研究（case-control study）中，分析暴露风险因素与疾病（或者用药）的关联程度；主要是反映暴露与疾病之间关联强度的指标，OR常适用于病例对照研究，也可以运用于前瞻性的研究（当观察时间相等时）

与其相似的有个指标relative risk(RR)，其可以理解为risk ratio，用于：

在队列研究（cohort study）中，分析暴露因素与发病的关联程度；主要是反映暴露与发病（死亡）关联强度的最有用的指标，RR适用于队列研究或随机对照试验。

偏态分布（Skewed distribution）是指频数分布不对称，集中位置偏向一侧。若集中位置偏向数值小的一侧，称为正偏态分布；集中位置偏向数值大的一侧，称为负偏态分布。 偏态分布只有满足一定的条件（如样本例数够大等）才可以看做近似正态分布

对于偏态分布的资料可看：The Skew-Normal Probability Distribution

摘抄整理自：《Mastering Shiny》 中的第7章 "User feedback"

为了让用户对于shiny app正在运行的功能有更好的了解，我们希望能以message或者其他输出形式对其进行说明解释，这个是属于Feedbac

这是一本online版的shiny book, 《Mastering Shiny》，按照作者Hadley Wickham（真大神也。。）的说法，将于2020年在O'reilly系列中出版

Shiny is a framework for creating web applications using R code. It is designed primarily with data scientists in mind, and to that end, you can create pretty complicated Shiny apps with no knowledge of HTML, CSS, or JavaScript

这是我整理的关于Spotfire的第三篇文章，主要记录下如何在Spotfire中安装Spotfire Statistics Services服务；由于网上相关资料比较少，而官方文档有些细节没写清楚，因此折腾了好久，因此记录下大致的过程。。。希望能帮助到大家，节省点时间哈（虽然用Spotfire的人真的不多）~

Read more »

上篇 Spotfire ironpython示例小结 主要整理了关于Spotfire中关于如何使用Ironpython来拓展Spotfire使用范围，即通过脚本来控制分析及展示的过程

这篇文章主要整理下关于Spotfire中TERR脚本使用注意事项，TERR是一个集成在Spotfire中的一个R版本，代码的函数以及R包的用法大部分都跟Open R（常见的R版本）一样，唯一需要注意的是如何将其结果输出到Spotfire的一些文档属性或者可视化图形中

Spotfire是一个比较人性化的可视化软件，在药企（大外企）数据临床数据管理可视化方面应用较好

Spotfire除了自带的一些常用操作功能外，其内嵌了ironpython和TERR；以下是这段时间来整理的，关于一些功能的ironpython的实现

Spotfire-Ironpython主要社区： https://community.tibco.com/wiki/ironpython-scripting-tibco-spotfire

Read more »

平时常见的数据属性类型有连续和分类，然后在输入ML algorithms之前一般会转化为numerical matirx；除了上述两类数据外，还有一种是文本型数据，我们也需要通过一定的方法将其转化为numerical matirx

在肿瘤研究中，bioinformatics是一个很好的用于寻找biomarker的方法，其中会涉及到两个概念：预后生物标记物（prognostic biomarker）和预测生物标记物（predictive biomarker）；最近在一个biomarker探索性研究中把两者搞混了，经推荐看了一篇文章（预后因素？预测因素？一字之差，谬之千里），以及结合研究数据才把两者搞清楚，因此粗略的做个记录

处理缺失值常用的方法：

• 直接移除缺失值的行
• 以均值/中位数等方法填充
• 以一些常数（-1/-999/etc.）代替
• 重构，比如以通过模型来预测缺失值
• 选择一些能处理缺失值的模型，比如XGBoost和CatBoost

Scikit-learn整理了几种方法，对应了上述的思路

Pipeline

Pipeline可以用来简化构建变换和模型链的过程

Pipeline的好处：

1. 构建好Pipeline后，只需要一次fit和predict，即可避免对每一个estimators都调用一遍fit和transform
2. 如果使用grid search，即一次历遍所有estimators的参数
3. 避免测试集的信息泄露到交叉验证训练集中（典型的就是在做交叉验证前做了scale，这样会leaking statistics）

为了评价模型在新数据上的泛化性能，我们一般除了训练集外，还需要测试集；有时为了评价不同参数下的模型性能，不能直接在测试集进行测评，而是在两者之间再加个验证集来先进行评估；如果比较成功的话，再在测试集上进行最后的评估

记录来自Kaggle的一次playground competition（Categorical Feature Encoding Challenge）；备注，Kaggle比赛分类以下几种类型，摘抄自知乎回答：

• Getting Started（面向初学者），非常适合入门级的参赛者用来练手，但没有奖牌或奖金，只能看到自己的排名
• Playground（面向初学者），项目难度比Getting Started稍难，主要是一些趣味性的比赛，看创意而不是解决具体的研究问题，奖励可能是奖金、荣誉，不能获得奖牌
• Featured（面向竞赛者），是Kaggle上主要的竞赛类型，为解决商业问题而设立的比赛，奖金高竞争激烈，有金银铜牌奖励，对参赛选手的能力有一定的要求
• Research（面向竞赛者），致力于解决科研界学术界的前沿问题，偏向于实验性质，较难；竞争没那么激烈，通常也有奖金和金银铜牌，但有的比赛只给荣誉奖励，或者是提供参加顶会的机会
• Recruitment（面向求职者），赞助商为招聘数据科学家而设立的比赛，奖励就是赞助商提供的工作机会
• Annual，不是严格意义上的比赛，每年两次，一次是美国大学篮球锦标赛期间的三月机器学习比赛，一次是圣诞节期间的圣诞主题优化比赛
• Limited participation，通常是私人赛或邀请赛，例如只有master级别及以上才能参加的Master's Competition

最近在Kaggle中学习一些关于ML的方法，其提供的 kernel是一个很好的工具，非常类似于Jupyter notebook

kaggle Kernel本质上是一种jupyter笔记本，可以在浏览器中直接运行代码，并提供免费的gpu

但是遇到一个问题：如果某个训练的模型需要跑N个小时，kernel有时会由于一些原因（可能网络，也可能是无法长时间待机）导致断开；待重开打开后，模型又要重新跑了（而且是该notebook里所有代码都要重新跑）。。。

如果将代码拿到本机上跑，则太占用资源（CPU/内存），有时由于配置不够的原因，导致模型训练速度大大拉长。。

这时我才想起来可以在服务器上安装个Jupyter notebook，然后本机远程连接即可，只要网络不出问题，即可长时间的待机运行代码

在机器学习模型中，需要人工选择的参数称为超参数。比如SVM的C 、kernel 和 gamma，随机森林的n_estimators，人工神经网络模型中的隐藏层层数和每层的节点个数等等

对于各个分类器，各个参数及其对应值都通过get_params()获取

最常用的方法就是网格搜索（grid search），从而获得最佳的cross-validation的score，其中可分为： * GridSearchCV * RandomizedSearchCV

Ubuntu 18.04的mysql配置跟16.04有些略微不同。。。踩了不少坑