Praktische Verwendung von OOP in r

Question

R unterstützt eine breite Palette von OOP -Designs wie S3, S4, RC und anderen über Pakete, und es ist ein bisschen überwältigend zu entscheiden, welches zu verwenden ist, und eine grundlegendere Frage, die ich habe, wann und wo Sie OOP beim maschinellen Lernen verwenden oder Datenanalyse, kann jemand dies aus Sicht eines Datenwissenschaftlers/ML -Praktikers beantworten?

Mir ist bewusst, wie OOP in R auf oberflächlichem Niveau funktioniert, aber

Sollte ich Zeit investieren, um OOP in R zu lernen? Wie praktisch ist es aus Sicht der Datenwissenschaft?

Answer 1

Ich habe benutzt S3, S4 und R6 (Sie haben das in Ihrer Übersicht vergessen;)). Ich würde dem Hadley Wickham zustimmen S3 ist für die meisten Aufgaben ausreichend. Dies ist jedoch nur erforderlich, wenn Sie fortschrittliche Funktionen erstellen, die auf Objekten arbeiten. Sagen Sie zum Beispiel, Sie erstellen ein Modell mit einer Funktion und möchten a erstellen summary und print Funktion für das von Ihrer Modellaufbaufunktion zurückgegebene Objekt. Für allgemeine Datenwissenschaftszwecke würde ich sagen, dass es hilft, die Systeme zu kennen, aber keiner von ihnen ist sehr gute Beispiele für echte OOP. Dafür würde ich empfehlen, in Python, Ruby oder Java zu arbeiten. Alle wurden mit OOP aufgebaut.

In Bezug auf das Wissen von OOP denke ich, dass es für jemanden, der an ML beteiligt ist, von entscheidender Bedeutung ist. Nicht, wenn Sie in R oder Python Prototyping machen, sondern auf jeden Fall, wenn Sie an der Arbeit an Produktionscode arbeiten. Ich finde Dieser Quora -Thread Gibt einen guten Lauf, wenn OOP in ML wichtig wird.

Wenn Ihr Fokus mehr auf Statistiken in R liegt, kann dies von geringerer Bedeutung sein.