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

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