共计 1514 个字符，预计需要花费 4 分钟才能阅读完成。
原文链接：http://tecdat.cn/?p=25564
冗余剖析（redundancy analysis，RDA）是一种回归剖析联合主成分剖析的排序办法，也是多因变量（multiresponse）回归剖析的拓展。从概念上讲，RDA 是因变量矩阵与解释变量之间多元多重线性回归的拟合值矩阵的 PCA 剖析。
本报告对动物生态多样性做了数据分析。
冗余剖析
首先，加载数据。
要加载数据，所有文件都必须在工作目录中。
ste <- read.csv("sr.csv")
ev <- read.csv("ev.csv")
as <- read.csv("as.csv")我对数据做了一些批改。首先，我将 ev 数据的所有定量变量（即除地貌单元外的所有变量）与 as 数据组合成一个名为 enqut. 而后，我对数据进行了归一化，容许十分不同单位的变量之间进行比拟。最初，我在归一化的定量环境变量中增加了地貌单元列，创立数据框 era，用于冗余剖析。
enqut<- cbind(ev\[,-5\],ap)
enz <- scale
ut <- env\[,5\]
era<- data.frame构造数据
我应用环境数据era 作为解释变量对植被构造进行了冗余剖析。我将后果调配给对象 str。
summary(str)
而后我失去了这个剖析的 R 方和调整后 R 方。
RsquareAdj
RsqeAdj$adj.r.sqd
制作三序图。
par
plot
points
usc <- scores
points
text
成分数据
首先我加载了物种数据。同样，该文件 PAl.csv 必须在工作目录中。为了升高大丰度的重要性，我将 Hellinger 转换利用于物种数据。
sp <- Hellinger(sp)而后我应用所有环境变量作为解释变量进行了冗余剖析。
head(suda)
# 取得 R^2 和调整后的 R^2
(sR2 <- RseAdj
(spdj <- RseAdj$adj.r.sed)
以 2 型标尺 对物种数据制作 RDA 三序图。
# 做好绘图空间
par
plot
# 绘制站点的分数
spc <- scores
points
# 绘制出物种的点数
ssc <- scores
points
# 绘制定量解释变量的箭头和它们的标签
spesc <- scores
arrows
env.names
text
# 绘制地貌单元中心点和它们的标签的绘图点
spsc <- scores
points
text
论文图形
这是为论文制作图形的代码。
par
ensc <- scores
arrows
points
# 制作绘图空间
par
plot
abline
mtext
# 绘制站点的分数
spsc <- scores
points
# 绘制出物种的点数
sp.sc <- scores
points
# 绘制定量解释变量的箭头和它们的标签
spsc <- scores
arrows
text
# 绘制地貌单元中心点和它们的标签的绘图点
unimes
spusc <- scores
points
text
最受欢迎的见解
1.matlab 偏最小二乘回归 (PLSR) 和主成分回归 (PCR) 和主成分回归(PCR)”)
2.R 语言高维数据的主成分 pca、t-SNE 算法降维与可视化剖析
3. 主成分剖析 (PCA) 基本原理及剖析实例基本原理及剖析实例 ”)
4. 基于 R 语言实现 LASSO 回归剖析
5. 应用 LASSO 回归预测股票收益数据分析
6.r 语言中对 lasso 回归，ridge 岭回归和 elastic-net 模型
7.r 语言中的偏最小二乘回归 pls-da 数据分析
8.r 语言中的偏最小二乘 pls 回归算法
9. R 语言线性判别分析（LDA），二次判别分析（QDA）和正则判别分析（RDA）
