En PROMiDAT creemos en el derecho de todos a acceder a contenido educativo de calidad por eso en nuestro canal de Youtube puedes acceder a más de 615 horas de contenido gratuito.

Paquetes en el CRAN

discoveR

discoveR: Exploratory Data Analysis System

Este paquete de R permite realizar Métodos no Supervisados de Análisis de Datos (análisis exploratorio de datos) a través de una interfaz ‘shiny’. Incluye métodos exploratorios básicos como la media, la mediana, la moda, tests de normalidad, entre otros. También incluye técnicas de agrupamiento en clústeres, como son el análisis de componentes principales, la agrupación jerárquica y el método K-Means.

Instalación desde el CRAN:

  1. Instalar R
  2. Instalar RStudio
  3. Instalar el paquete discoveR
    ​install.packages(“discoveR”, dependencies=TRUE)

Instalación desde el GitHub:

  1. installed.packages(“shiny”)
  2. install.packages(“devtools”)
  3. devtools::install_github(“PROMiDAT/discoveR”)
predictoR

predictoR: Predictive Data Analysis System

Este paquete permite realizar un Análisis de Datos Supervisado (métodos predictivos) en una base de datos a través de una interfaz gráfica “shiny”. Incluye métodos como K-Vecinos más cercanos, árboles de decisión, ADA boosting, Extreme Gradient Boosting, Bosques aleatorios, Redes neuronales, Redes Neuronales, Deep Learning, máquinas de soporte vectorial, regresión logística y métodos bayesianos.

Instalación desde el CRAN:

  1. Instalar R
  2. Instalar RStudio
  3. Instalar el paquete predictoR
    install.packages(“predictorR”, dependencies=TRUE)

Instalación desde el GitHub:

  1. installed.packages(“shiny”)
  2. install.packages(“devtools”)
  3. devtools::install_github(“PROMiDAT/predictoR”)​
regressoR

regressoR: Regressive Data Analysis System

Realiza un análisis de datos supervisado-regresión mediante una una interfaz gráfica ‘shiny’. Incluye métodos como la Regresión Lineal, la Regresión Penalizada (Ridge y Lasso), los K Vecinos más Cercanos KNN, Árboles de Decisión, el ADA Boosting, eXtreme Gradient Boosting, Bosques Aleatorios, Redes Neuronales, Deep Mearning y Máquinas de Soporte Vectorial.

Todos los métodos anteriores se puede usar en regressoR para hacer regresión, es decir, cuando la variable a predecir es numérica.

Instalación desde el CRAN:

  1. Instalar R
  2. Instalar RStudio
  3. Instalar el paquete regressoR
    install.packages(“regressoR”, dependencies=TRUE)

Instalación desde GitHub:

  1. installed.packages(“shiny”)
  2. install.packages(“devtools”)
  3. Instalar el paquete regressoR
    devtools::install_github(“PROMiDAT/regressoR”)
RSDA

RSDA: R to Symbolic Data Analysis

El RSDA es una herramienta especialmente diseñada para el procesamiento de “Big Data” basada en la idea de modificar los modelos estadísticos matemáticos de manera que permitan el análisis adecuado de grandes volúmenes de datos. Para esto se utiliza el Análisis Simbólico de Datos – SDA por sus siglas en inglés.

El Análisis de Datos Simbólicos (SDA) fue propuesto por el profesor Francés, Edwin Diday, en 1987, el objetivo principal de SDA es sustituir un conjunto de filas (casos) en la tabla de datos por un concepto (unidad estadística de segundo orden). Este paquete implementa, para el caso simbólico, ciertas técnicas de clasificación automática, así como algunos modelos lineales.

Symbolic Data Analysis (SDA) was proposed by professor Edwin Diday in 1987, the main purpose of SDA is to substitute the set of rows (cases) in the data table for a concept (second order statistical unit). This package implements, to the symbolic case, certain techniques of automatic classification, as well as some linear models.

Instalación desde el CRAN:

  1. Instalar R
  2. Instalar RStudio
  3. Instalar el paquete RSDA
    Install.packages(“RSDA”, dependencies=TRUE)
traineR

traineR: Homologador de Modelos Predictivos

Contiene métodos para unificar las diferentes formas de crear modelos predictivos y sus diferentes formatos para hacer predicciones.

Incluye métodos como K vecinos más cercanos, árboles de decisión, ADA Boosting, Extreme Gradient Boosting, Random Forest, Neural Networks, Deep Learning, Support Vector Machines y Bayesian Methods.

Instalación desde el CRAN:

  1. Instalar R
  2. Instalar RStudio
  3. Instalar el paquete discoveR
    install.packages(“traineR”, dependencies=TRUE)

Instalación desde el GitHub:

  1. installed.packages(“shiny”)
  2. install.packages(“devtools”)
  3. devtools::install_github(“PROMiDAT/traineR”)
detectoR

Es paquete diseñado para la detección del lavado de dinero. Utiliza para esto perfiles simbólicos.

También es un paquete desarrollado en R, pero es el único paquete de PROMiDAT cuyo uso no es libre, pues está instalado en varios bancos de la región.

Ⓒ PROMiDAT 2024 Todos los derechos reservados