全文链接：http://tecdat.cn/?p=31434

原文出处：拓端数据部落公众号

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")

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，看的值是正的还是负的。后果须要失去每组的值及P值。

mmaStat(besttree)## [1] -3.693285

3. 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.popline(tree.hiv)  plot(sk, l

4.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

最受欢迎的见解

1.PYTHON用户散失数据挖掘：建设逻辑回归、XGBOOST、随机森林、决策树、反对向量机、奢侈贝叶斯模型和KMEANS聚类用户画像

2.R语言基于树的办法：决策树，随机森林

3.python中应用scikit-learn和pandas决策树

4.机器学习：在SAS中运行随机森林数据分析报告

5.R语言用随机森林和文本开掘进步航空公司客户满意度

6.机器学习助推快时尚精准销售工夫序列

7.用机器学习辨认一直变动的股市情况——隐马尔可夫模型的利用

8.python机器学习：举荐零碎实现（以矩阵合成来协同过滤）

9.python中用pytorch机器学习分类预测银行客户散失