标签：分析 可视化 RDA PCA 数据 冗余 成分

全文下载链接：tecdat.cn/?p=25564

冗余分析（redundancy analysis，RDA）是一种回归分析结合主成分分析的排序方法，也是多因变量（multiresponse）回归分析的拓展。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分析 （ 点击文末“阅读原文”获取完整代码数据） 。

本报告对植物生态多样性数据做了分析。

冗余分析

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")
复制代码

我对数据做了一些修改。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. 然后，我对数据进行了归一化， 允许非常不同单位的变量之间进行比较。最后，我在归一化的定量环境变量中添加了地貌单元列，创建数据框 era，用于冗余分析。

enqut<- cbind(ev[,-5],ap)
enz <- scale
ut <- env[,5]
era<- data.frame
复制代码

结构数据

我使用环境数据era 作为解释变量对植被结构进行了冗余分析。我将结果分配给对象 str。

summary(str)
复制代码

然后我得到了这个分析的 R 方和调整后R 方。

RsquareAdj
复制代码

RsqeAdj$adj.r.sqd
复制代码

制作三序图。

par
plot
points
usc <- scores
points
text
复制代码

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。为了降低大丰度的重要性，我将 Hellinger 转换应用于物种数据。

sp <- Hellinger(sp)
复制代码

然后我使用所有环境变量作为解释变量进行了冗余分析。

head(suda)
复制代码

#  获得R^2和调整后的R^2
(sR2 <- RseAdj
复制代码

(spdj <- RseAdj$adj.r.sed)
复制代码

以2型标尺 对物种数据制作 RDA三序图。

# 做好绘图空间
par
plot
# 绘制站点的分数
spc <- scores
points

# 绘制出物种的分数
ssc <- scores
points

# 绘制定量解释变量的箭头和它们的标签
spesc <- scores
arrows
env.names 
text

# 绘制地貌单元中心点和它们的标签的绘图点
spsc <- scores
points
text
复制代码

---

点击标题查阅往期内容

生态学建模：增强回归树（BRT）预测短鳍鳗生存分布和影响因素

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。

par
ensc <- scores
arrows
points

# 制作绘图空间
par
plot
abline
mtext

# 绘制站点的分数
spsc <- scores
points

# 绘制出物种的分数
sp.sc <- scores
points

# 绘制定量解释变量的箭头和它们的标签
spsc <- scores
arrows
text

# 绘制地貌单元中心点和它们的标签的绘图点
unimes 
spusc <- scores
points
text
复制代码

---

本文摘选 《 R语言数量生态学冗余分析RDA分析植物多样性物种数据结果可视化 》 ，点击“阅读原文”获取全文完整资料。

点击标题查阅往期内容

主成分分析PCA谱分解、奇异值分解SVD预测分析运动员表现数据和降维可视化
用回归和主成分分析PCA 回归交叉验证分析预测城市犯罪率数据
PCA(主成分分析)，CA(对应分析)夫妻职业差异和马赛克图可视化用回归和主成分分析PCA 回归交叉验证分析预测城市犯罪率数据
R语言k-means聚类、层次聚类、主成分（PCA）降维及可视化分析鸢尾花iris数据集
R语言有限混合模型(FMM,finite mixture model)EM算法聚类分析间歇泉喷发时间
R语言用温度对城市层次聚类、kmean聚类、主成分分析和Voronoi图可视化Python用稀疏、高斯随机投影和主成分分析PCA对MNIST手写数字数据进行降维可视化
R语言主成分分析（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、随机森林分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算法降维与可视化分析案例报告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算法降维与可视化分析案例报告
维度规约（降维）算法在WEKA中应用
使用Python和Keras进行主成分分析、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：线性模型选择和正则化

标签：分析,可视化,RDA,PCA,数据,冗余,成分
From： https://www.cnblogs.com/tecdat/p/16829343.html