关于数据挖掘:数量生态学冗余分析RDA分析植物多样性物种数据结果可视化数据分享附代码数据

47次阅读

共计 1960 个字符，预计需要花费 5 分钟才能阅读完成。

最近咱们被客户要求撰写对于冗余剖析（RDA）的钻研报告，包含一些图形和统计输入。

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数据做了剖析。

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

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

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

# 绘制出物种的分数
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

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

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

# 绘制出物种的分数
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

本文摘选《 R 语言数量生态学冗余剖析 RDA 剖析动物多样性物种数据后果可视化 》，点击“ 浏览原文”获取全文残缺材料。

点击题目查阅往期内容

主成分剖析 PCA 谱合成、奇怪值合成 SVD 预测剖析运动员体现数据和降维可视化
用回归和主成分剖析 PCA 回归穿插验证剖析预测城市犯罪率数据
PCA(主成分剖析)，CA(对应剖析)夫妻职业差别和马赛克图可视化用回归和主成分剖析 PCA 回归穿插验证剖析预测城市犯罪率数据
R 语言 k -means 聚类、档次聚类、主成分（PCA）降维及可视化剖析鸢尾花 iris 数据集
R 语言无限混合模型 (FMM,finite mixture model)EM 算法聚类分析间歇泉喷发工夫
R 语言用温度对城市档次聚类、kmean 聚类、主成分剖析和 Voronoi 图可视化 Python 用稠密、高斯随机投影和主成分剖析 PCA 对 MNIST 手写数字数据进行降维可视化
R 语言主成分剖析（PCA）葡萄酒可视化：主成分得分散点图和载荷图
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
R 语言高维数据的主成分 pca、t-SNE 算法降维与可视化剖析案例报告 python 主题建模可视化 LDA 和 T -SNE 交互式可视化
python 主题 LDA 建模和 t -SNE 可视化
R 语言高维数据的主成分 pca、t-SNE 算法降维与可视化剖析案例报告
维度规约（降维）算法在 WEKA 中利用
应用 Python 和 Keras 进行主成分剖析、神经网络构建图像重建
R 语言中的岭回归、套索回归、主成分回归：线性模型抉择和正则化

正文完