R语言基础期末大作业报告 环节一： 创建S3类studentS3, S4类studentS4和引用类studentRef。包含的属性分别是：姓名、学号、课程名称、学分、成绩（至少3门课程）。其中，姓名和学号分别使用字符型和整数型变量，其余属性则分别是长度相等的字符型、整数型和浮点数型向量。给上述三个类设计对应的泛型函数mean()，返回出加权平均成绩。用自己的信息创建对象，调用泛型函数得出加权平均分。
此环节分值为：15分。注意：不使用自己信息创建对象不得分。
代码：
运行截图：
环节二： 编写一个函数，以自己的姓名命名，其中函数中的形式参数n是该函数的一个数值型参数，该函数用于打印1~n之间的水莲花数。调用此函数，打印出1000以内的水莲花数。（水莲花数又称阿姆斯特朗数，水仙花数是指一个整数，它的每个位上的数字的3次幂之和等于它本身。例如1^3 + 5^3+ 3^3 = 153）。此环节分值为：15分。注意：不使用自己名字作为函数名不得分。
代码：
运行截图：
环节三：以stackloss数据集中的stack.loss为因变量，分别得出对其他三个自变量的线性回归模型。创建一个2*2的画布，画出三个线性回归模型，要求每幅图中主标题为自己的姓名+因变量~自变量。针对每一个线性模型，自定义数据，封装后预测其值，并计算95%的置信区间。此环节分值为：30分。注意：不使用自己信息作为线性模型可视化标题不得分。
代码：
运行截图：
环节四：对iris数据集进行预处理，将数据集随机分为训练数据集和测试数据集，其中训练数据集占比80%，测试数据集占比20%。
对训练数据集使用朴素贝叶斯进行分类，构建分类器模型，其中分类器模型名字以自己名字命名。用测试数据集进行分类器的预测，并用混淆矩阵验证此朴素贝叶斯分类器的正确率。
对训练数据集构建决策树模型进行分类，决策树模型用自己名字+学号后三位命名，将构建出的决策树作图画出。用测试数据集进行决策树的预测并用混淆矩阵验证决策树分类的正确率。
对训练数据集构建支持向量机进行分类，构建SVM模型并用自己名字+学号后四位命名，用测试数据集进行预测并使用混淆矩阵验证构建出的SVM模型正确率。
此环节分值为:40分。注意：三个分类模型不按要求命名不得分。
代码：
运行截图：
