#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）”