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 <- scaleut <- 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。
RsquareAdjRsqeAdj$adj.r.sqd制作三序图。
parplotpointsusc <- scorespointstext成分数据
首先我加载了物种数据。同样，该文件 PAl.csv 必须在工作目录中。为了升高大丰度的重要性，我将 Hellinger 转换利用于物种数据。
sp <- Hellinger(sp)而后我应用所有环境变量作为解释变量进行了冗余剖析。
head(suda)
# 取得R^2和调整后的R^2(sR2 <- RseAdj(spdj <- RseAdj$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parplot# 绘制站点的分数spc <- scorespoints# 绘制出物种的点数ssc <- scorespoints# 绘制定量解释变量的箭头和它们的标签spesc <- scoresarrowsenv.names text# 绘制地貌单元中心点和它们的标签的绘图点spsc <- scorespointstext论文图形
这是为论文制作图形的代码。
parensc <- scoresarrowspoints# 制作绘图空间parplotablinemtext# 绘制站点的分数spsc <- scorespoints# 绘制出物种的点数sp.sc <- scorespoints# 绘制定量解释变量的箭头和它们的标签spsc <- scoresarrowstext# 绘制地貌单元中心点和它们的标签的绘图点unimes spusc <- scorespointstext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）