Exemples de projets Outils R pour Visual StudioR Tools for Visual Studio sample projects

Cette collection d’exemples vous permet de vous familiariser avec R, Outils R pour Visual Studio (RTVS) et Microsoft Machine Learning Server :This collection of samples gets you started on R, R Tools for Visual Studio (RTVS), and Microsoft Machine Learning Server:

  1. Téléchargez le fichier zip d’exemples et extrayez son contenu vers le dossier de votre choix.Download the samples zip file and extract to a folder of your choice.
  2. Ouvrez examples/Examples.sln pour afficher deux dossiers dans le projet :Open examples/Examples.sln to see two folders in the project:

    • A First Look at R (Présentation de R) est une introduction destinée aux débutants qui expose clairement les bases de R.A First Look at R gives a gentle introduction for newcomers to R.
    • MRS and Machine Learning donne des exemples d’utilisation de R et de Microsoft Machine Learning Server pour l’apprentissage automatique.MRS and Machine Learning gives examples of how to use R and Microsoft Machine Learning Server for machine learning.

A First Look at R (Présentation de R)A First Look at R

Cet exemple propose une introduction approfondie de R avec des commentaires détaillés dans deux fichiers sources.This sample provides an in-depth introduction to R through the extensive comments in two source files. Pour en tirer le meilleur parti, placez le curseur en haut du fichier et appuyez sur Ctrl+Entrée pour envoyer une par une les lignes de code à la Fenêtre interactive R.For the best experience, place the cursor at the top of the file and press Ctrl+Enter to send the code line-by-lie to the R Interactive window. (Certaines lignes installent des packages, ce qui peut prendre une minute ou deux.)(Lines that install packages might take a minute or two to complete.)

  • 1-Getting Started with R.R couvre de nombreux principes fondamentaux de R, notamment l’utilisation de packages, le chargement et l’analyse des données, ainsi que le traçage.1-Getting Started with R.R covers many R fundamentals including using packages, loading and analyzing data, and plotting.

    Exemple de sortie de l’exemple 1-Getting Started with R.R

  • 2-Introduction to ggplot2.R présente le package graphique ggplot2 connu pour ses beaux graphiques et sa syntaxe simple.2-Introduction to ggplot2.R introduces the ggplot2 graphic package known for its visually appealing plots and simple syntax. Cet exemple permet de visualiser des données sur les tremblements de terre à Fidji.This example visualizes earthquake data from Fiji.

    Exemple de sortie de l’exemple 2-Introduction to ggplot2.R

Microsoft Machine Learning Server et Machine LearningMicrosoft Machine Learning Server and Machine Learning

Cette collection d’exemples montre comment utiliser R pour créer des modèles d’apprentissage automatique, puis comment tirer parti de Microsoft Machine Learning Server.This collection of examples shows how to use R to create machine learning models and to take advantage of Microsoft Machine Learning Server.

Comme avec tous les exemples, ouvrez le fichier, placez le curseur en haut, puis exécutez le code ligne par ligne avec Ctrl+Entrée.As with all examples, open the file, place the cursor at the top, and then step through the code line by line with Ctrl+Enter. Les fichiers Markdown dans chaque dossier contiennent également des détails supplémentaires.The markdown files in each folder also contain additional details.

  • Benchmarks exécute plusieurs calculs parallèles d’algèbre linéaire nécessitant beaucoup de ressources système pour montrer les gains de performances qui découlent de l’utilisation de Microsoft R Open et d’Intel Math Kernel Library (MKL).Benchmarks runs a number of intensive, parallel linear algebra computations to show the performance gains that are possible through the use of Microsoft R Open and the Intel Math Kernel Library (MKL). Avec des données simulées, les tests d’évaluation comparent de façon spécifique les calculs liés aux matrices selon le nombre de threads utilisés (un ou deux).With simulated data, the benchmarks specifically compare matrix calculations on one thread versus two.

    Exemple de tracé de benchmark

  • Bike_Rental_Estimation_with_MRS crée un modèle de prévision de demande de location de vélos selon un jeu de données d’historique à l’aide de Microsoft ML Server.Bike_Rental_Estimation_with_MRS creates a demand prediction model for bike rentals based on a historical data set, using Microsoft ML Server.

  • Data_Exploration contient trois scripts :Data_Exploration contains three scripts:

    • Import Data from URL.R montre comment charger un fichier de données identifié par URL dans R.Import Data from URL.R shows how to load a URL-identified data file into R.
    • Import Data from URL to xdf.R montre comment charger un fichier de données identifié par URL dans Microsoft ML Server en tant que fichier xdf.Import Data from URL to xdf.R shows how to load a URL-identified data file into Microsoft ML Server as an xdf.
    • Using ggplot2.R est une extension de l’exemple A First Look at R/2-Introduction to ggplot2.R. Il traite de manière plus approfondie des fonctionnalités de ggplot2, notamment le traçage 3D interactif.Using ggplot2.R is an extension of the A First Look at R/2-Introduction to ggplot2.R sample, giving a more extensive tour of ggplot2's functionality including interactive 3D plotting.

      Sortie de l’exemple Using ggplot2.R

  • Datasets contient trois fichiers .csv utilisés par d’autres exemples.Datasets contains three .csv files used by other samples

  • Flight_Delays_Prediction_with_R et Flight_Delays_Prediction_with_MRS montrent comment prédire les vols en retard à l’aide de R, de l’apprentissage automatique et des données d’historique sur les vols à l’heure et la météo.Flight_Delays_Prediction_with_R and Flight_Delays_Prediction_with_MRS shows how to predict flight delays using R, machine learning, and historical on-time performance and weather data.
  • Machine learning contient trois exemples permettant d’apprendre à prévoir les vols en retard, les prix immobiliers et les locations de vélos.Machine learning contains three samples for learning to predict flight delays, housing prices, and bike rentals. Ces exemples réunis illustrent l’application de R et de Microsoft ML Server pour résoudre de vrais problèmes.Together, these samples demonstrate the application of R and Microsoft ML Server to real-world problems. Ces exemples vous montrent également comment utiliser plusieurs modèles d’apprentissage automatique connus et comment les déployer en tant que service web Azure à l’aide d’un espace de travail Azure Machine Learning.They also show you how to use several popular machine learning models and deploy them as an Azure Web Service using an Azure Machine Learning workspace.

  • R_MRO_MRS_Comparison est une comparaison en six parties qui présente les similitudes et les différences entre R, Microsoft R Open et Microsoft ML Server. Cette comparaison porte sur les commandes, la syntaxe, les constructions et les performances.R_MRO_MRS_Comparison is a six-part comparison that shows the similarities and differences of R, Microsoft R Open and Microsoft ML Server with commands, syntax, constructs, and performance.

Quelles sont les particularités de Microsoft R Open et de Microsoft ML Server ?What's special about Microsoft R Open and Microsoft ML Server?

Microsoft R Open, distribution Microsoft de R, présente deux différences importantes avec CRAN R :Microsoft R Open, Microsoft's distribution of R, is different from CRAN R in two important ways:

  1. De meilleures performances de calcul avec les bibliothèques Intel Math Kernel Libraries.Better computation performance when used with the Intel Math Kernel Libraries. Les bibliothèques sont disponibles en téléchargement gratuit sur le site web de Microsoft pour une utilisation avec Microsoft R Open.The libraries are available as a free download from Microsoft for use with Microsoft R Open.

  2. Un Toolkit R reproductible garantit que les bibliothèques que vous avez utilisées pour générer votre programme R sont toujours accessibles à d’autres personnes souhaitant reproduire votre travail.Reproducible R Toolkit ensures that the libraries you used to build your R program are always available to others that want to reproduce your work.

Microsoft ML Server (MLS) est une extension de R qui vous permet de gérer davantage de données plus rapidement.Microsoft ML Server (MLS) is an extension of R that allows you to handle more data and handle it faster. Il offre à R deux fonctionnalités puissantes :It gives R two powerful capabilities:

  1. Des jeux de données plus grands, sans limitations de mémoire RAM.Larger data sets without RAM limitations. ML Server peut traiter les données hors mémoire à partir de diverses sources, notamment les clusters Hadoop, les bases de données et les entrepôts de données.ML Server can process out-of-memory data from a variety of sources including Hadoop clusters, databases, and data warehouses.

  2. Traitement parallèle et multicœur.Parallel, multi-core processing. MLS peut distribuer efficacement les calculs sur toutes les ressources de calcul disponibles.MLS can efficiently distribute computation across all the computational resources it has available. Sur votre poste de travail personnel ou un cluster distant, MLS obtient plus rapidement une réponse.On your personal workstation or a remote cluster, MLS gets an answer faster.

La comparaison suivante montre que MLS et MRO avec MKL offrent des performances de calcul nettement supérieures à celles obtenues par R et MRO sans MKL pour certains calculs de matrice.The following comparison shows that MLS and MRO with MKL have significantly better computation performance related to certain matrix calculation than R and MRO without MKL. Des données simulées sont utilisées dans ce calcul :Simulated data is used in this calculation:

Comparaison entre, d’une part, MLS et MRO avec MKL et, d’autre part, R et MRO sans MKL

Pour obtenir une comparaison technique de R avec MRO et MLS, lisez la discussion approfondie de Lixun Zhang sur le sujet.For a technical comparison of R with MRO and MLS, check out Lixun Zhang's detailed discussion on the topic.

La figure suivante compare ensuite le temps écoulé en secondes utilisé dans la création de modèles de régression logistique pour prévoir les vols en retard de plus de 15 minutes.The following figure then compares elapsed time in seconds used in building Logistic Regression models to predict flight delays greater than 15 minutes. Le temps écoulé utilisé dans CRAN R augmente considérablement à la suite d’une augmentation de quelques lignes, tandis que le temps écoulé dans MLS n’est multiplié que par deux environ.Elapsed time used in CRAN R increases dramatically when increasing a small number of rows, while MLS increases only by approximately two times. Pour plus d’informations sur ce benchmark, visitez l’exemple Benchmarks/rxGlm_benchmark.R.For details of this benchmark, check out the Benchmarks/rxGlm_benchmark.R example.

Benchmark rxGlm