R语言中级篇.pptVIP

 聚类分析-动态聚类 2)动态聚类kmeans() 系统聚类所消耗的计算机资源特别巨大，特别是当距离矩阵非常庞大的时候，那么他们基于某种算法（我们不需要了解），开发了动态聚类的方法 kmeans(x, centers, iter.max = 10, nstart = 1,algorithm = c(Hartigan-Wong, Lloyd, Forgy,MacQueen))  广义线性模型（ Generalized linear models ） plot(X,dat$出现比例,xlab=Altitude (m),ylab=Probability of occurrence, ylim=c(0,1),lwd=3,col=blue,cex.axis=1.5,cex.lab=1.5,cex=3) ###注意前后循序 lines(x,pre2,col=red,lty=2,lwd=2)#####添加拟合线 自己练习： ####这种鸟在该区域海拔2750m出现的概率是？  非线性回归模型（ non-linear regression models ） 多项式回归 函数形式 lm(y~x+I(x^2)+I(x^3)) 例子，由于受到中位效应或者面积效应的影响，往往物种在中海拔地区比较丰富。 dat- read.csv(data_eg1.csv,head=T) y- dat$num.sp x- dat$elevation plot(x,y,xlab=Altitude (m),ylab=Species richness) ####看下散点图的分布 lm.obj- lm(y~x+I(x^2) summary(lm.obj) ######结果显示  回归方程为：y= -2299+4.049x-1658x2 非线性回归模型（ non-linear regression models ）  作图 x.pre- seq(min(x),max(x),len=1000)###进行分段 y.pre- predict(lm.obj,data.frame(x=x.pre))###lm.obj函数形式，得到预测值,模型都可以预测 plot(y~x,lwd=0.2,cex=1.5,xlab=Altitude (m),ylab=Species richness) lines(x.pre,y.pre,col=red,lwd=3) 也可以加根对称线y= -b/(2a)x a- sum.obj$coefficients[[3]] b- sum.obj$coefficients[[2]] sym.lin- (-b)/(2*a) abline(v=sym.lin,col=blue,lwd=3,lty=2) 非线性回归模型（ non-linear regression models ）  (Toms et al. Ecology,2003) 非线性回归模型（ non-linear regression models ） 分段回归 分段回归有时候是获得一些生态边界、阈值、转折点的很好方法  (Rincon et al. Ecology,2003) 非线性回归模型（ non-linear regression models ）  非线性回归模型（ non-linear regression models ） 函数形式 piecewise.linear(x, y, middle = 1, CI = FALSE, bootstrap.samples = 1000, sig.level = 0.05) (0,1),0代表断点只能发生在x的中点值范围内，1代表可以任何地方 是否进行bootstrap操作获取不确定区间，对原始的点数据，可以自己操作下CI=TRUE  非线性回归模型（ non-linear regression models ）  非线性回归模型（ non-linear regression models ） ####但是我们有时候想获得断点等相关参数，并且精细编辑相关的线段 ##获取想要的参数 cor.test(x,y) r1- x.y[x.y[,1]= model[[1]],] cor.test(r1[,1],r1[,2]) r2- x.y[x.y[,1] model[[1]],] cor.test(r2[,1],r2[,2]) ## 也可以用nls实现，后面讲  非线性回归模型（ non-linear regression models ） ####其他函数类似##有时候我们不知道大概用多少个多项式进行回归合适，那么我们利用局部多项式回归函数可以看看大致的格局 ####判断曲线样式可以用low