text stringlengths 0 1.95k |
|---|
with(Env, ordisurf(spe.b.pcoa, H, add = TRUE, col = "green4")) |
with(Env, ordisurf(spe.b.pcoa, Sum_all, add = TRUE, col = "red")) |
# 2. Неметрическое многомерное шкалирование (NMDS) - макрозообентос участков р. Сок |
library(xlsReadWrite) # Загрузка данных из файла Excel и нормирование |
A <- read.xls("Сок1.xls", sheet = 1, rowNames=TRUE) |
A[is.na(A)] <- 0 ; A.norm <- decostand(t(A), "normalize") |
# NMDS-анализ и выделение вкладов участков в общий стресс |
ben.mds <- metaMDS(A.norm, trace = FALSE) ; gof <- goodness(ben.mds) |
# Вывод графика участков с метками, диаметр которых пропорционален неопределенности |
plot(ben.mds, type = "t", disp="sites", font=2) ; points(ben.mds, |
disp="sites",cex=6*gof/mean(gof)) |
# Сравнение диаграмм NMDS и РСА с использованием прокрустового преобразования |
pro <- procrustes(ben.mds, rda(A.norm, scale=FALSE)) |
plot(pro) ; points(pro, display= "rotated") ; text(pro, display= "target") |
# 3. Каноническая ординация |
# Стандартизация матрицы факторов среды |
Env <- read.xls("Сок1.xls", sheet = 2, rowNames=TRUE) |
Env.stand<-decostand(Env,"standardize") |
# Оценка угловых коэффициентов и корреляций факторов с осями |
bentos.ca <- cca(A.norm) ; (ef <- envfit(bentos.ca, Env.stand, permutations = 999)) |
plot(bentos.ca, type="n") |
ordipointlabel(bentos.ca, display = "site", font=2, pch=21, cex=0.7, bg="grey") |
ordilabel(bentos.ca, dis = "sp", cex=0.7, font=3 ,add = TRUE) |
plot(ef, cex=1.2, col = "red", lwd=2) |
# Исследование модели 1 |
ord9.rda <- rda(formula = A.norm ~ hg + t + h + O2 + P_min + NO2 + pH + KG + IP, |
# Отрисовка ординационного триплота |
data = Env.stand) |
RsquareAdj(ord9.rda)$adj.r.squared ; RsquareAdj(ord9.rda)$r.squared |
anova(ord9.rda, step=1000) |
anova(ord9.rda,by = "terms", step=1000) ; anova(ord9.rda,by = "axis", step=1000) |
# Селекция моделей тремя различными шаговыми процедурами |
library(packfor); forward.sel(A.norm, Env.stand) |
ord.all <- rda(A.norm ~., data = Env.stand) ; ord.0 <- rda(A.norm ~ 1, data=Env.stand) |
ordistep(ord.0, scope = formula(ord.all), pstep = 1000) |
step(ord.0, scope = formula(ord.all), test = "perm", steps = 1000) |
ord3.rda <- rda(formula = A.norm ~ t + IP + Ss, data = Env.stand) # Модель 2 |
ord1.rda <- rda(formula = A.norm ~ t, data = Env.stand) # Модель 3 |
# Для моделей 2 и 3 выполняется расчет статистик и anova, как и для модели 1 |
6.4. Деревья классификации и регрессии |
Метод построения деревьев классификации и регрессии (Classification and |
Regression Tree, CART – Breiman at al., 1984; McCune at al., 2002; Шитиков и др., 2005) |
предлагает новую и весьма перспективную альтернативу выявления различий между |
группами, одновременно выполняя функции прогнозирования. Классификационные |
модели деревьев рекурсивно делят набор данных на подмножества, являющиеся все более |
и более гомогенными относительно определенных признаков. При этом выполняется |
классификация иерархического типа и формируется ассоциативный дихотомический |
ключ, дающий возможность выполнять распознавание объектов неизвестных выборок. |
Отличие классификационных и регрессионных моделей заключается в том, что в деревьях |
первого типа зависимая переменная измеряется в категориальных шкалах (например, |
характер древостоя), когда как деревья регрессии предсказывают непрерывные значения |
отклика (например, средний диаметр древостоя). |
217 |
По своей сути деревья CART используют принцип "наивной" классификации (naive |
approach), поскольку исходят из предположения о взаимной независимости признаков. |
Поэтому модели классификационных деревьев статистически наиболее работоспособны, |
когда |
или |
мультипликативным. Из-за своей рекурсивной природы этот метод особенно применим в |
случаях, когда имеется регулярная внутренняя множественная альтернатива в исходной |
комбинации переменных, связанная с самим процессом группировки. |
анализируемых переменных не |
аддитивным |
комплекс |
является |
Отметим несомненные преимущества моделей распознавания на основе деревьев: |
1. Деревья классификации и регрессии дают возможность извлекать правила из базы |
данных на естественном языке. Поэтому результат работы алгоритмов CART очень легко |
интерпретировать визуально, что делает их особенно полезными для исследовательского |
анализа данных. |
2. Результаты анализа содержат полную оценку того, насколько различаются между |
собой выделенные группы и за счет каких переменных обуславливается это отличие, а |
также прогнозирующую модель, с помощью которой можно предсказывать класс |
неизвестного объекта. Как любая модель, основанная на рекурсии, деревья позволяют |
вычленить множество визуально очевидных связей и отношений между переменными |
(некоторые из них могут иметь вполне очерченный экологический смысл), что не всегда |
является возможным при работе с обычными статистическими линейными моделями. |
3. Как любой непараметрический метод, построение деревьев не зависит от |
закономерностей статистического распределения данных. Деревья CART также разумно |
малочувствительны к пропускам или аномальным выбросам значений, особенно при |
использовании уже настроенной модели для "экзамена" новых объектов. |
4. Деревья позволяют хранить информацию о данных в компактной форме, т.е. |
вместо обширных таблиц данных мы можем хранить дерево решений, которое содержит в |
концентрированной форме точное описание объектов. |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.