Uso práctico de OOP en R

Question

R admite una amplia gama de diseños de OOP como S3, S4, RC y otros a través de paquetes, y es un poco abrumador decidir sobre qué usar y una pregunta más básica que tengo es cuándo y dónde usa OOP mientras hace aprendizaje automático o análisis de datos, ¿alguien puede responder esto desde un punto de vista del científico de datos/ML profesional?

Soy consciente de cómo funciona OOP en R a nivel superficial, pero

¿Debería invertir tiempo en aprender OOP en R? ¿Qué tan práctico es desde un punto de vista de ciencia de datos?

Answer 1

he utilizado S3, S4 y R6 (Olvidó ese en su descripción general;)). Estoy de acuerdo con Hadley Wickham que S3 es suficiente para la mayoría de las tareas. Sin embargo, esto solo se requiere si comienza a construir funciones avanzadas que operan en objetos. Digamos, por ejemplo, crea un modelo con una función y desea crear un summary y print función para el objeto devuelto por su función de construcción de modelos. Para fines generales de ciencia de datos, diría que ayuda a conocer los sistemas, pero ninguno de ellos son muy buenos ejemplos de OOP real. Por eso recomendaría trabajar en Python, Ruby o Java. Todos han sido construidos con OOP en mente.

Con respecto a saber OOP, creo que es vital para alguien involucrado en ML. No cuando estás creando prototipos en R o Python, pero definitivamente cuando comienzas a trabajar en el código de producción. pienso este hilo de quora Da una buena corrida cuando OOP se vuelve importante en ML.

Si su enfoque está más en las estadísticas en R, puede ser de menos importancia.