全文链接：http://tecdat.cn/?p=31434
最近咱们被客户要求撰写对于生态学进化树的钻研报告，包含一些图形和统计输入。
咱们围绕进化树技术进行一些征询，剖析生物类群在工夫上的多样性是如何变动的
咱们将用到分类单元数 - 工夫图（Lineages-through-time plot）, 该图能够用来形容物种多样化的总体趋势。
数据
3500trees.nexus 是 nexus 格局的文件，外面有 3500 棵树。
besttree.nexus 也是 nexus 格局的文件，外面有 1 颗树，是从 3500 颗树中筛选进去的统一树。
各支系图示
这棵树总共有 4 大支系（Lineage），当初我须要做的剖析都是须要别离做总的，以及 4 个支系的，也就是说同样的剖析要做 5 次，针对 5 组不同的对象。
分析方法
办法次要是物种多样化速率(diversification rate) 相干的内容。
trees=read.nexus("3500trees.nexus")
besttree=read.nexus("besttree.nexus")点击题目查阅往期内容
生态学建模：加强回归树（BRT）预测短鳍鳗生存散布和影响因素
左右滑动查看更多
01
02
03
04
1.mltt plot (multiple lineage through time)
分类单元数 - 工夫图
lingeage 的数值取 log 的，95% 置信区间的 ltt plot, 两头彩色线的是 besttree 的，要显示进去。别离做总的，以及 4 个支系的，共 5 个图。
plot(trees),log='y')besttree# 95% ltt 置信区间
ltt.ci<-function(tree.all){ntip=length(tree.all[[1]]$tip.label)
ntree=length(tree.all)2.gamma statistic
测验分化速率的变化趋势，看 γ 的值是正的还是负的。后果须要失去每组的 γ 值及 P 值。
mmaStat(besttree)
## [1] -3.6932853. Monte Carlo constant rates test
测验样品不全是否对分化速率的后果有显著的影响，应该也是每组都要做的。
mc.out <- mcmc.pop
line(tree.hiv)
plot(sk, l4. 对每个组做几个模型的测验，次要包含 Pure-birth, birth-death, Yule 2-rate,density-dependent logistic,density-dependent exponential 模型。
tdAICr
## --------------Model Summary----------------
##
## MODEL pureBirth
##
## Parameters: r1
##
## LH 535.1086
##
## AIC -1068.217
##
## r1 0.1817879
##
## a -1068.217
##
##
## --------------------------
## MODEL bd
##
## Parameters: r1, a
##
## LH 535.1086
##
## AIC -1066.217
##
## r1 0.1817879
##
## a 0
##
##
## --------------------------
## MODEL DDL
##
## Parameters: r1, k
##
## LH 542.2213
##
## AIC -1080.443
##
## r1 0.2537928
##
## a -1080.443
##
## k 554
##
##
## --------------------------
## MODEL DDX
##
## Parameters: r1, X
##
## LH 536.991
##
## AIC -1069.982
##
## r1 0.3098342
##
## a -1069.982
##
## x 0.1131752
##
##
## --------------------------
##
## Best Constant Rate Model = pureBirth AIC -1068.217
##
## Best Rate Variable Model = DDL AIC -1080.443
##
## delta AICrc = 12.2254
## model params np mtype LH r1 r2 a xp k
## 1 pureBirth r1 1 RC 535.1086 0.1817879 NA -1068.217 NA NA
## 2 bd r1, a 2 RC 535.1086 0.1817879 NA 0.000 NA NA
## 3 DDL r1, k 2 RV 542.2213 0.2537928 NA -1080.443 NA 554
## 4 DDX r1, X 2 RV 536.9910 0.3098342 NA -1069.982 0.113175点击文末 “浏览原文”
获取全文残缺代码数据资料。
本文选自《R 语言生态学：进化树推断物种分化历史：分类单元数与工夫关系、支系图可视化》。
点击题目查阅往期内容
Python 决策树、随机森林、奢侈贝叶斯、KNN（K- 最近街坊）分类剖析银行拉新流动开掘潜在贷款客户
R 语言逻辑回归 (Logistic Regression)、回归决策树、随机森林信用卡守约剖析信贷数据集 R 语言基于 Bagging 分类的逻辑回归(Logistic Regression)、决策树、森林剖析心脏病患者
R 语言样条曲线、决策树、Adaboost、梯度晋升(GBM) 算法进行回归、分类和动静可视化
R 语言用主成分 PCA、逻辑回归、决策树、随机森林剖析心脏病数据并高维可视化
matlab 应用分位数随机森林（QRF）回归树检测异样值
R 语言用逻辑回归、决策树和随机森林对信贷数据集进行分类预测
R 语言中应用线性模型、回归决策树主动组合特色因子程度
R 语言中自编基尼系数的 CART 回归决策树的实现
Python 对商店数据进行 lstm 和 xgboost 销售量工夫序列建模预测剖析
R 语言基于树的办法：决策树，随机森林，Bagging，加强树
R 语言实现偏最小二乘回归法 partial least squares (PLS)回归
R 语言多项式回归拟合非线性关系
R 语言逻辑回归（Logistic 回归）模型分类预测病人冠心病危险
R 语言用部分加权回归 (Lowess) 对 logistic 逻辑回归诊断和残差剖析
R 语言混合效应逻辑回归（mixed effects logistic）模型剖析肺癌数据