全文下载链接：http://tecdat.cn/?p=25564
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。
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# 绘制出物种的分数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
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# 绘制出物种的分数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