# 运行以安装webSDM
# install.packages('webSDM',repos=“ http://cran.us.r-project.org ")
开发工具 :: 安装github( " giopogg/网络SDM " ) 图书馆( 网络SDM ) 图书馆( ggplot2 ) 图书馆( 圣塔那主义 )
数据( X(X) , Y(Y) , G公司 ) 米 = 滋养细胞SDM( Y(Y) = Y(Y) , X(X) = X(X) , G公司 = G公司 , env.formula环境 = " ~X_1+X_2 " , 家庭 = 二项式( 链接 = " 罗吉特 " ), 模式 = " 猎物 " , 方法 = " 标准glm " )
米 $ 全部表格
# #1美元
# #[1]“y~X_1+X_2”
# #
# #Y2美元
# #[1]“y~X_1+X_2”
# #
# #Y3美元
# #[1]“y~X_1+X_2”
# #
# #Y4美元
# #[1]“y~X_1+X_2+Y3”
# #
# #Y5美元
# #[1]“y~X_1+X_2+Y1+Y2+Y3”
# #
# #Y6美元
# #[1]“y~X_1+X_2+Y3+Y5”
绘图( 米 )
系数( 米 , 使标准化 = T型 , 水平 = 0.9 ) # #1美元
# #估计5%95%
# #(截距)0.3436947 0.34369470.3436949
# #X_1-0.2021379-0.2610196-0.1437026
# #X_2 0.2551022 0.1967936 0.3060621
# #
# #Y2美元
# #估计5%95%
# #(截距)-0.26667469-0.2666777-0.26667469
# #X_1 0.38623879 0.3185228 0.44548596
# #X_2-0.07487371-0.1398988-0.01233344
# #
# #Y3美元
# #估计5%95%
# #(截距)-0.6087146-0.6087149-0.6087134
# #X_1 0.2691505 0.2040072 0.3264109
# #X_2 0.1959559 0.1277228 0.2558819
# #
# #Y4美元
# #估计5%95%
# #(截距)0.78313457 0.78313457 0.783134568
# #X_1-0.17572121-0.23117578-0.11125286
# #X_2-0.01240440-0.07179788 0.044998167
# #Y3-0.07121957-0.13386056-0.008400504
# #
# #Y5美元
# #估计5%95%
# #(截距)-0.6183171-0.61831706-0.6183171
# #X_1 0.2012124 0.13693977 0.2583883
# #X_2-0.3040676-0.36413006-0.2482235
# #Y1 0.4429577 0.37314154 0.5052524
# #粤2-0.0238899-0.0846871 0.0309484
# #Y3-0.2091481-0.26014005-0.1566986
# #
# #Y6美元
# #估计5%95%
# #(截距)1.32269012 1.32269012 1.32269012
# #X_1-0.03325986-0.09097127 0.01820810
# #X_2 0.08919394 0.02389159 0.15177465
# #豫3-0.24024322-0.30943078-0.17621452
# #粤5-0.09973197-0.15640795-0.04450875
绘图G_inferred( 米 )
VarImpo公司 = 计算变量重要性( 米 , 组 = 列表 ( " 非生物的 " = c(c)( " X_1型 " , " X_2型 " ), " 生物的 " = c(c)( " Y1型 " , " Y2年 " , " Y3年 " , " Y4年 " , " 第5页 " , " Y6年 " ))) VarImpo公司 = 应用( VarImpo公司 , 2 , 功能 ( x个 ) x个 / ( x个 [ 1 ] + x个 [ 2 ])) 选项卡 = 重塑2 :: 熔化( VarImpo公司 ) 选项卡 $ 变量2 = 因素 ( 选项卡 $ 变量2 , 水平 = 列名( Y(Y) )) ggplot图( 选项卡 ,aes( x个 = 变量2 , 年 = 价值 , 填满 = 变量1 )) + 地理工具栏( 斯达 = " 身份 " ) + 主题_经典()
米 $ 模型 $ 第5页
# # ==================================================================
# #Y5物种的本地SDMfit无惩罚,使用stan_glm进行拟合
# # ==================================================================
# #*有用的S3方法
# #打印()、系数()、绘图()、预测()
# #$model提供了stanreg类对象
# # ==================================================================
伊普雷德 = 预测( 米 , 完整发布 = 错误的 , 预先采样(_S) = 50 , 问题cov = 错误的 ) # predict返回一个列表,其中包含每个物种在每个站点的预测样本
# 但由于我们指定fullPost=FALSE,它只返回预测平均值和分位数
伊普雷德 = do.呼叫( cbind公司 , 重叠地( 伊普雷德 , 功能 ( x个 ) x个 $ 预测.mean )) 伊普雷德 = 伊普雷德 [,列名( Y(Y) )] 评估模型匹配( 米 , Y新 = Y(Y) , Y预测 = 伊普雷德 ) # #auc-tss物种
# #1 0.6733574 0.28064516 Y1
# #2 0.7048959 0.31015078 Y2
# #3 0.6690035 0.27931242 Y3
# #4 0.5988342 0.17092061 Y4
# #5 0.6236528 0.20786045 Y5
# #6 0.5581631 0.09940342 Y6
米 $ log.lik(日志.lik)
# # [1] -3638.686
米 $ AIC公司
# # [1] 7337.373 厕所( 米 ) # # [1] -3650.931
个人简历 = 营养SDM_CV( 米 , K(K) = 三 , prob.cov问题 = T型 , 并行运行 = 错误的 ) # 桌子上的Transfom
伊普雷德 = 个人简历 $ 指Pred
# 重新排序列
伊普雷德 = 伊普雷德 [,列名( Y(Y) )] 评估模型匹配( 米 , Y新 = Y(Y) , Y预测 = 伊普雷德 )
Pred公司 = 预测( 米 , X新 = 数据帧 ( X_1型 = 0.5 , X_2型 = 0.5 ), 完整发布 = F类 ) t(do.call( cbind公司 , Pred公司 )) # #预测.平均预测.q025预测.q975
# #Y1 0.6275369 0.5919506 0.6673241
# #Y2 0.6811964 0.65555955 0.7031938
# #Y3 0.7187342 0.6891241 0.7377668元
# #Y4 0.4978676 0.4544304 0.5767335元
# #Y5 0.3806087 0.0963942 0.7238955元
# #Y6 0.6484422 0.4698095 0.8539271元
伊普雷德 = 预测潜力( 米 , 完整发布 = 错误的 , 预先采样(_S) = 100 , X新 = 数据帧 ( X_1型 = 0.5 , X_2型 = 0.5 ))
米 = 营养SDM( Y(Y) = Y(Y) , X(X) = X(X) , G公司 = G公司 , env.formula环境 = " ~X_1+X_2 " , 家庭 = 二项式( 链接 = " 逻辑学家 " ), 模式 = " 猎物 " , 方法 = " glm公司 " )
米 = 营养SDM( Y(Y) = Y(Y) , X(X) = X(X) , G公司 = G公司 , env.formula环境 = " ~X_1+X_2 " , 家庭 = 二项式( 链接 = " 逻辑学家 " ), 模式 = " 猎物 " , 方法 = " glm公司 " , 刑法上的 = " 弹性网 " ) 米 = 营养SDM( Y(Y) = Y(Y) , X(X) = X(X) , G公司 = G公司 , env.formula环境 = " ~X_1+X_2 " , 家庭 = 二项式( 链接 = " 罗吉特 " ), 模式 = " 猎物 " , 方法 = " 标准glm " , 刑法上的 = " 马蹄铁 " )
米 = 营养SDM( Y(Y) = Y(Y) , X(X) = X(X) , G公司 = G公司 , env.formula环境 = " ~X_1+X_2 " , sp.公式 = " 丰富性 " , 家庭 = 二项式( 链接 = " 罗吉特 " ), 模式 = " 猎物 " , 方法 = " glm公司 " ) 米 $ 全部表格
# #1美元
# #[1]“y~X_1+X_2”
# #
# #Y2美元
# #[1]“y~X_1+X_2”
# #
# #Y3美元
# #[1]“y~X_1+X_2”
# #
# #Y4美元
# #[1]“y~X_1+X_2+I(Y3)”
# #
# #Y5美元
# #[1]“y~X_1+X_2+I(Y1+Y2+Y3)”
# #
# #Y6美元
# #[1]“y~X_1+X_2+I(Y3+Y5)”