哈雷尔“韵文”简介:使用Hmisc和rms包的预测建模
他的 统计思维博客 这个 回归建模策略教科书、课程和课程笔记 。我已经选修了他一天和一周的课程,并极力推荐! 生物医学研究的生物统计学 电子书 数据方法 网页 对 堆栈交换 他在 推特 最近,主持每周一小时的应用统计学/生物统计学在线研讨会
使用Hmisc检查您的数据 回归建模允许rms的复杂性 使用rms::validate()和rms:calibrate()验证拟合模型 带有rms::pentrace()的惩罚回归 除OLS以外的连续或半连续Y(rms)模型
数据集信息: 这些数据是对产于意大利同一地区但来自三个不同品种的葡萄酒进行化学分析的结果。 分析确定了三种葡萄酒中每种葡萄酒中发现的13种成分的数量。 我认为初始数据集大约有30个变量,但出于某种原因,我只有13维版本。 我有一个30个左右变量的列表,但是a)我把它弄丢了,b)我不知道集合中包括了哪13个变量。 这些属性是(由Riccardo Leardi、riclea“@”anchem.unige.it提供) 1) 酒精 2) 苹果酸 3) 灰烬 4) 灰分的碱性 5) 镁 6) 总酚类 7) Flavanoids公司 8) 非黄酮类酚类 9) 原花青素类 10) 颜色强度 11) 色调 12) 稀释葡萄酒的OD280/OD315 13) 脯氨酸 在分类上下文中,这是一个“表现良好”的类结构的良好问题。 对于新分类器的首次测试来说,这是一个很好的数据集,但不是很有挑战性。 属性信息: 所有属性都是连续的
安装和加载软件包
#从github安装ucidata包 #devtools::install_github(“无涂层/ucidata”) #加载程序包 图书馆(“tidyverse”); 软件包版本(“tidyverse”)
## [1] '1.3.0'
库(“rms”); 包版本(“rms”)
## [1] '6.0.1'
图书馆(“ucidata”); 软件包版本(“ucidata”)
## [1] '0.0.3'
图书馆(“cowplot”); 软件包版本(“cowplot”)
## [1] '1.1.0'
加载示例数据集
#加载葡萄酒数据 数据(葡萄酒) #重新编码结果 mydata<-葡萄酒%>% dplyr::mutate(red_wine=ifelse(color==“red”,1,0))%>% dplyr::选择(-color)
提示1。 使用Hmisc检查您的数据
Hmisc::describe()
d<-Hmisc::描述(mydata) html(d,大小=80,滚动=TRUE)
值3 4 5 6 7 8 9 频率30 216 2138 2836 1079 193 5 比例0.005 0.033 0.329 0.437 0.166 0.030 0.001
p<-图(d) p$连续
Hmisc::summaryM()获取按结果分层的预测因子表
s<-Hmisc::summaryM(固定酸度+挥发性酸度+柠檬酸+残余糖+氯化物+游离硫二氧化物+ 总硫氧化物+密度+pH值+硫酸盐+酒精+质量~红葡萄酒,数据=mydata, 整体=真,测试=真,连续=5) html(s,caption='根据葡萄酒类型预测', exclude1=真,npct=“两者”,数字=2, prmsd=真,brmsd=假,msdsize=μ$小2)
|
使用Hmisc::histSpikeg()、ggplot和cowplot添加直方图
dd<-datadist(我的数据) 选项(datadist=“dd”) a<-ggplot(mydata,aes(x=酒精,y=红酒))+ Hmisc::histSpikeg(红酒~酒精,lowess=TRUE,数据=mydata)+ 实验室(x=“酒精含量”,y=“概率(红酒)”) b<-ggplot(mydata,aes(x=柠檬酸,y=红葡萄酒))+ Hmisc::histSpikeg(red_wine~柠檬酸,lowess=TRUE,data=mydata)+ labs(x=“柠檬酸”,y=“概率(红酒)”) c<-ggplot(mydata,aes(x=硫酸盐,y=红葡萄酒))+ Hmisc::histSpikeg(红酒~硫酸盐,lowess=TRUE,data=mydata)+ labs(x=“\n硫酸盐”,y=“概率(红酒)\n”) cowplot::plot_grid(a,b,c,nrow=1,ncol=3,scale=.9,labels=“AUTO”)
使用Hmisc::naplot和Hmisc:::naclus可视化缺失数据的模式
缺少df<-mydata%>% dplyr::突变(固定酸度=ifelse(row_number()%,单位为%c(1:100),NA,固定酸度), volatile_acidity=ifelse(row_number()%,单位为%c(1:200),NA,volatile_acidity), 柠檬酸=ifelse(row_number()%,单位:%c(50:400),NA,柠檬酸), residual_sugar=ifelse(row_number()%in%c(1000:1050),NA,residual_sugar), 氯化物=ifelse(row_number()%,单位:%c(1000:1100),NA,氯化物) par(mfrow=c(1,2)) na_patterns<-Hmisc::naclus(missing_df) Hmisc::naplot(na_patterns,'na-per-var') 绘图(na_patterns)
提示2。 考虑到rms复杂性的回归建模
y~a:b,:表示a和b的相互作用 y~a*b,相当于y~a+b+a:b y~(a+b)^2,等价于y~(a+b)*(a+b) 非线性预报器的限制相互作用项%ia%在相互作用中不是双重非线性的
m0<-lrm(红酒~rcs(固定酸度,4)+rcs(挥发酸,4)+rcs(柠檬酸,4 rcs(氯化物,4)+rcs(游离硫氧化物,4)+rcs rcs(硫酸盐,4)+rcs(酒精,4)+rcs(质量,3), 数据=mydata,x=真,y=真) 打印(m0,系数=假)
##Logistic回归模型 ## ##lrm(公式=红葡萄酒~rcs(固定酸度,4)+rcs(挥发性酸度, ##4)+rcs(柠檬酸,4)+rcs(残余糖,4)+rcs(氯化物, ##4)+rcs(游离硫氧化物,4)+rcs(总硫氧化物, ##4)+rcs(密度,4)+rcs(pH,4)+rcs(硫酸盐,4)+0cs(酒精, ##4)+rcs(质量,3),数据=mydata,x=真,y=真) ## ##模型似然判别等级判别。 ##比率测试指标 ##Obs 6497 LR chi2 7008.47 R2 0.981 C 0.999 ##0 4898干膜35克8.879 Dxy 0.997 ##11599 Pr(>chi2)<0.0001 gr 7178.012伽马0.998 ##最大|衍生| 1e-05 gp 0.371 tau-a 0.370 ##布里尔0.004
绘图(方差分析(m0))
m2<-lrm(红酒~rcs(pH,3)+rcs(硫酸盐,3),数据=mydata,x=真,y=真) 打印(m2)
##Logistic回归模型 ## ##lrm(公式=红酒~rcs(pH,3)+rcs(硫酸盐,3),数据=mydata, ##x=真,y=真) ## ##模型似然判别等级判别。 ##比率测试指标 ##Obs 6497 LR chi2 2294.01 R2 0.442 C 0.866 ##0 4898干膜4克2.415 Dxy 0.731 ##11599 Pr(>chi2)<0.0001 gr 11.186伽马0.731 ##最大|衍生|7e-07 gp 0.271 tau-a 0.271 ##布里尔0.125 ## ##S.E.Wald Z Pr系数(>|Z|) ##截距-40.0731 2.4341-16.46<0.0001 ##pH值8.4567 0.7536 11.22<0.0001 ##pH值-4.3193 0.7323-5.90<0.0001 ##硫酸盐23.5236 1.3365 17.60<0.0001 ##硫酸盐’-15.9641 1.3353-11.96<0.0001 ##
方差分析(m2)
##Wald统计响应:red_wine ## ##系数Chi-Square d.f.P ##pH值347.99 2<.0001 ##非线性34.79 1<.0001 ##硫酸盐920.43 2<.0001 ##非线性142.93 1<.0001 ##总非线性185.52 2<.0001 ##总计1205.84 4<.0001
p1<-ggplot(预测(m2,pH)) p2<-ggplot(预测(m2,硫酸盐)) p3<-ggplot(预测值(m2,pH,fun=plogis)) p4<-ggplot(预测(m2,硫酸盐,fun=plogis)) cowplot::plot_grid(p1,p2,p3,p4,nrow=2,ncol=2,scale=.9)
m3<-lrm(红葡萄酒~(rcs(pH,3)+rcs(硫酸盐,3))^2,数据=mydata,x=真,y=真) 打印(m3,系数=假)
##Logistic回归模型 ## ##lrm(公式=红葡萄酒~(rcs(pH,3)+rcs(硫酸盐,3))^2, ##数据=mydata,x=真,y=真) ## ##模型似然判别等级判别。 ##比率测试指标 ##Obs 6497 LR chi2 2333.97 R2 0.449 C 0.867 ##0 4898干膜厚度8克2.579 Dxy 0.734 ##1 1599 Pr(>chi2)<0.0001 gr 13.181伽马0.734 ##最大|衍生|2e-09 gp 0.272 tau-a 0.272 ##布里尔0.123
方差分析(m3)
##Wald统计响应:red_wine ## ##系数Chi-Square d.f.P ##pH(因子+高阶因子)355.42 6<.0001 ##所有交互35.00 4<.0001 ##非线性(因子+高阶因子)46.09 3<.0001 ##硫酸盐(因数+高阶因数)887.41 6<.0001 ##所有交互35.00 4<.0001 ##非线性(因子+高阶因子)161.97 3<.0001 ##pH*硫酸盐(因子+高阶因子)35.00 4<.0001 ##非线性6.41 3 0.0933 ##非线性相互作用:f(A,B)vs.AB 6.41 3 0.0933 ##f(A,B)vs.Af(B)+Bg(A)0.06 1 0.8011 ##pH与Af(B)的非线性相互作用2.36 2 0.3073 ##硫酸盐与Bg(A)的非线性相互作用2.94 2 0.2297 ##总非线性204.16 5<.0001 ##总非线性+相互作用214.89 6<.0001 ##总计1159.86 8<.0001
pred_intx<-预测(m3,“pH”,“硫酸盐”,fun=plogis,np=75) bplot(pred_intx,yhat~pH+硫酸盐,lfun=线框, ylab=“硫酸盐”,zlab=“Pr(红酒)”)
ggplot(预测(m2,硫酸盐,pH=c(3.0,3.2,3.4),fun=plogis))
#%ia%是限制相互作用-不是双重非线性 m4<-lrm(红酒~rcs(pH,3)+rcs(硫酸盐,3)+pH%ia%硫酸盐,数据=mydata,x=真,y=真) 打印(m4,系数=假)
##Logistic回归模型 ## ##lrm(公式=红酒~rcs(pH,3)+rcs(硫酸盐,3)+pH%ia% ##硫酸盐,数据=mydata,x=真,y=真) ## ##模型似然判别等级判别。 ##比率测试指标 ##Obs 6497 LR chi2 2327.12 R2 0.448 C 0.866 ##0 4898干膜5克2.657 Dxy 0.733 ##1 1599 Pr(>chi2)<0.0001 gr 14.252伽马0.733 ##最大|衍生|2e-11 gp 0.272 tau-a 0.272 ##布里尔0.124
方差分析(m4)
##Wald统计响应:red_wine ## ##系数Chi-Square d.f.P ##pH值(因数+高阶因数)362.84 3<.0001 ##所有交互32.25 1<.0001 ##非线性44.67 1<.0001 ##硫酸盐(因子+高阶因子)883.81 3<.0001 ##所有交互32.25 1<.0001 ##非线性154.96 1<.0001 ##pH*硫酸盐(因子+高阶因子)32.25 1<.0001 ##总非线性198.98 2<.0001 ##总非线性+相互作用205.24 3<.0001 ##总计1137.05 5<.0001
pred_intx_r<-预测(m4,‘pH’,‘硫酸盐’,fun=plogis,np=75) bplot(pred_intx_r,yhat~pH+硫酸盐,lfun=线框, ylab=“硫酸盐”,zlab=“Pr(红酒)\n”)
摘要(m4)
##效果响应:红酒 ## ##系数高低差异效应S.E.下限0.95上限0.95 ##pH值3.11 3.32 0.21 1.4116 0.084427 1.2461 1.5770 ##比值比3.11 3.32 0.21 4.1024 NA 3.4767 4.8406 ##硫酸盐0.43 0.60 0.17 2.7986 0.124910 2.5538 3.0434 ##比值比0.43 0.60 0.17 16.4220 NA 12.8560 20.9770 ## ##调整为:pH=3.21硫酸盐=0.51
summary(m4,pH=c(2.97,3.50))#第5块与第95块的对比度
##效果响应:红酒 ## ##系数高低差异效应S.E.下限0.95上限0.95 ##pH值2.97 3.5 0.53 3.4147 0.19978 3.0231 3.8062 ##比值比2.97 3.5 0.53 30.4070 NA 20.5550 44.9800 ##硫酸盐0.43 0.6 0.17 2.7986 0.12491 2.5538 3.0434 ##比值比0.43 0.6 0.17 16.4220 NA 12.8560 20.9770 ## ##调整为:pH=3.21硫酸盐=0.51
r<-mydata r$已安装<-预测(m4,type=“已安装”) 头部(r$已安装)
## [1] 0.5605529 0.5164138 0.5470583 0.2846203 0.5605529 0.5605529
提示3。 使用rms::validate()和rms:calibrate()验证拟合模型
在大小为n的原始样本中估计模型性能 绘制一个大小相同的引导样本n,并将模型调整为引导样本 将引导样本中获得的模型应用于原始样本 从原始样本中的精度度量值中减去自举样本中发现的精度度量-这是乐观估计值(即过拟合) 多次重复该过程,并对重复次数取平均值,以获得对每个度量值的乐观度的最终估计 从观察到的/表观准确度测量值中减去该值,得到乐观修正估计值
(val<-验证(m4,B=200))
##原始训练测试乐观指数修正n ##Dxy 0.7329 0.7329 07324 0.0005 0.7324 200型 ##R2 0.4477 0.4479 0.4471 0.0008 0.4469 200 ##截距0.0000 0.0000 0.0030-0.0030 0.0030 200 ##坡度1.0000 1.0000 0.9963 0.0037 0.9963 200 ##E最大值0.0000 0.0000 0.0013 0.0013 200 ##D 0.3580 0.3581 0.3574 0.0007 0.3573 200 ##U-0.0003-0.0003 0.0000-0.0003 0.0000 200单位 ##Q 0.3583 0.3584 0.3574 0.0010 0.3573 200 ##乙0.1237 0.1235 0.1238-0.0003 0.1240 200 ##克2.6569 2.6671 2.6562 0.0109 2.6460 200 ##gp 0.2719 0.2716 0.2716 0.0000 0.2719 200
(c_opt_corr<-0.5*(值[1,5]+1))
## [1] 0.8662209
cal<-校准(m4,B=200) 绘图(cal)
## ##n=6497平均绝对误差=0.003平均平方误差=1e-05 ##0.9绝对误差分位数=0.006
提示4。 带有rms::pentrace()的惩罚回归
五角大楼(m4,seq(.01,.1,by=.01))
## ##最佳惩罚: ## ##罚款df ## 0.01 4.981253 ## ##惩罚df aic bic aic.c ## 0.00 5.000000 2317.119 2283.224 2317.110 ## 0.01 4.981253 2317.137 2283.369 2317.128 ## 0.02 4.963194 2317.118 2283.472 2317.109 ## 0.03 4.945779 2317.066 2283.538 2317.057 ## 0.04 4.928972 2316.984 2283.570 2316.975 ## 0.05 4.912738 2316.876 2283.572 2316.867 ##0.06 4.897045 2316.743 2283.546 2316.735 ## 0.07 4.881863 2316.590 2283.495 2316.581 ## 0.08 4.867167 2316.417 2283.422 2316.408 ##0.09 4.852930 2316.227 2283.328 2316.218 ## 0.10 4.839131 2316.021 2283.217 2316.013
m5<-更新(m4,惩罚=.01) 5米
##Logistic回归模型 ## ##lrm(公式=红酒~rcs(pH,3)+rcs(硫酸盐,3)+pH%ia% ##硫酸盐,数据=mydata,x=真,y=真,罚款=0.01) ## ## ##惩罚因素 ## ##简单非线性相互作用非线性相互作用 ## 0.01 0.01 0.01 0.01 ## ##模型似然判别等级判别。 ##比率测试指标 ##Obs 6497 LR chi2 2327.10 R2 0.448 C 0.866 ##0 4898干膜4.981克2.649 Dxy 0.733 ##11599 Pr(>chi2)<0.0001 gr 14.138伽马0.733 ##max|deriv|1e-11惩罚1.15 gp 0.272 tau-a 0.272 ##布里尔0.124 ## ##系数S.E.Wald Z Pr(>|Z|)惩罚尺度 ##截距-63.7296 4.9458-12.89<0.0001 0.0000 ##pH值15.5212 1.4868 10.44<0.0001 0.0161 ##pH值-5.0190 0.7531-6.66<0.0001 0.0140 ##硫酸盐58.7949 6.4401 9.13<0.0001 0.0149 ##硫酸盐-17.6434 1.4195-12.43<0.0001 0.0127 ##pH*硫酸盐-10.3680 1.8527-5.60<0.0001 0.0499 ##
五聚体(m4,列表(简单=0.01,非线性=c(0,0.01,0.02,0.03),相互作用=c(0,0.01,0.02,0.03))
## ##最佳惩罚: ## ##简单非线性相互作用df ## 0.01 0.02 0.02 4.972499 ## ##简单非线性相互作用df-aic bic-aic.c ## 0.01 0.01 0.01 4.981253 2317.137 2283.369 2317.128 ##0.01 0.01 0.02 4.972933 2317.139 2283.427 2317.130 ## 0.01 0.02 0.02 4.972499 2317.139 2283.430 2317.130 ## 0.01 0.01 0.03 4.964759 2317.136 2283.479 2317.127 ##0.01 0.02 0.03 4.964326 2317.136 2283.483 2317.127 ## 0.01 0.03 0.03 4.963893 2317.137 2283.486 2317.127
m6<-更新(m4,惩罚=.01) 6米
##Logistic回归模型 ## ##lrm(公式=红酒~rcs(pH,3)+rcs(硫酸盐,3)+pH%ia% ##硫酸盐,数据=mydata,x=真,y=真,罚款=0.01) ## ## ##惩罚因素 ## ##简单非线性相互作用非线性相互作用 ## 0.01 0.01 0.01 0.01 ## ##模型似然判别等级判别。 ##比率测试指标 ##Obs 6497 LR chi2 2327.10 R2 0.448 C 0.866 ##0 4898干膜4.981克2.649 Dxy 0.733 ##11599 Pr(>chi2)<0.0001 gr 14.138伽马0.733 ##max|deriv|1e-11惩罚1.15 gp 0.272 tau-a 0.272 ##布里尔0.124 ## ##系数S.E.Wald Z Pr(>|Z|)惩罚尺度 ##截距-63.7296 4.9458-12.89<0.0001 0.0000 ##pH值15.5212 1.4868 10.44<0.0001 0.0161 ##pH’-5.0190 0.7531-6.66<0.0001 0.0140 ##硫酸盐58.7949 6.4401 9.13<0.0001 0.0149 ##硫酸盐-17.6434 1.4195-12.43<0.0001 0.0127 ##pH*硫酸盐-10.3680 1.8527-5.60<0.0001 0.0499 ##
有效.df(m6)
## ##原始和有效自由度 ## ##原始处罚 ##全部5 4.98 ##简单条款2 1.99 ##相互作用或非线性3 2.99 ##非线性2 2.00 ##相互作用1 0.99 ##非线性相互作用0.00
提示5。 用于连续或半连续Y的OLS以外的模型
lm1<-ols(残余糖~(rcs(pH,3)+rcs(硫酸盐,3))^2,数据=mydata,x=真,y=真) 打印(lm1,coefs=FALSE)
##线性回归模型 ## ##ols(公式=残糖~(rcs(pH,3)+rcs(硫酸盐,3))^2, ##数据=mydata,x=真,y=真) ## ##模型似然判别 ##比率测试指标 ##Obs 6497 LR chi2 710.48 R2 0.104 ##σ4.5074 d.f.8 R2调节0.102 ##干重6488 Pr(>chi2)0.0000克1.719 ## ##残差 ## ##最小1Q中位数最大3Q ## -9.967 -3.202 -1.174 2.444 62.425 ##
r<-mydata r$剩余<-剩余(lm1) r$已安装<-已安装(lm1) r1<-ggplot(数据=r,aes(x=拟合,y=resid))+地理点()+地理平滑() r2<-ggplot(数据=r,aes(x=pH,y=resi))+geom_point()+geome_smooth() r3<-ggplot(数据=r,aes(x=硫酸盐,y=残渣))+geom_point()+geome_smooth() r4<-ggplot(数据=r,aes(样本=resid))+stat_qq()+geom_abline(截距=平均值(r$resid),斜率=sd(r$resid)) cowplot::plot_grid(r1,r2,r3,r4,nrow=2,ncol=2,scale=.9)
ggplot(预测(lm1,硫酸盐,pH=c(3,3.2,3.4))
或m1<-orm(残余糖~(rcs(pH,3)+rcs(硫酸盐,3))^2,数据=mydata,x=真,y=真) 打印(orm1,coefs=FALSE)
##Logistic(比例奇数)序数回归模型 ## ##orm(公式=残余糖~(rcs(pH,3)+rcs(硫酸盐,3))^2, ##数据=mydata,x=真,y=真) ## ##模型似然判别等级判别。 ##比率测试指标 ##Obs 6497 LR chi2 476.63 R2 0.071 rho 0.268 ##独特Y 316 d.f.8 g 0.542 ##中值Y 3 Pr(>chi2)<0.0001 gr 1.720 ##max|deriv|2e-05得分chi2 482.68|Pr(Y>=中值)-0.5|0.098 ##Pr(>chi2)<0.0001
M<-平均值(或m1) qu<-分位数(或m1) med<-函数(x)qu(0.5,x) p1<-ggplot(预测(或m1,硫酸盐,pH=c(3,3.2,3.4),fun=M))+坐标自流(ylim=c(1,8)) p2<-ggplot(预测(orm1,硫酸盐,pH=c(3,3.2,3.4),fun=med))+坐标自流(ylim=c(1,8)) plot_grid(p1,p2,nrow=1,ncol=2,scale=0.9,labels=c(“ORM:平均值”,“ORM:中值”))
rq1<-Rq(残余糖~(rcs(pH,3)+rcs(硫酸盐,3))^2,数据=mydata,x=真,y=真,tau=0.5) 打印(rq1,coefs=FALSE)
##分位数回归tau:0.5 ## ##Rq(公式=残糖~(rcs(pH,3)+rcs(硫酸盐,3))^2, ##tau=0.5,data=mydata,x=真,y=真) ## ##歧视 ##索引 ##观察物6497克1.971 ##第9页 ##剩余d.f.6488 ##平均|Y-Y帽|3.345058
ggplot(预测(rq1,硫酸盐,pH=c(3,3.2,3.4))
好处:在R之外进行预测
(pred_logit<-函数(m4))
##功能(pH=3.21,硫酸盐=0.51) ## { ##-64.339385+15.699039*pH值-31.487899*pmax(pH值-3.02, ##0)^3+59.976951*pmax(pH值-3.21,0)^3-28.489052* ##pmax(pH-3.42,0)^3+59.695226*硫酸盐-144.55604* ##pmax(硫酸盐-0.37,0)^3+240.92673*pmax ##0.51,0)^3-96.370692*pmax(硫酸盐-0.72,0) ##10.624164*pH*硫酸盐 ## } ##<环境:0x7f8c1b174328>
会话信息
sessionInfo()
##R版本4.0.2(2020-06-22) ##平台:x86_64-apple-darwin17.0(64位) ##运行于:macOS Catalina 10.15.6 ## ##矩阵产品:默认 ##BLAS:/Library/Frameworks/R.framework/Versions/4.0/Resources/lib/libRblas.dylib ##LAPACK:/Library/Frameworks/R.framework/Versions/4.0/Resources/lib/libRlapack.dylib(LAPACK) ## ##区域设置: ##[1]en_US.UTF-8/en_US-UTF-8/en_US.UNTF-8/C/en_US。UTF-8/C/en_US ## ##附加的基本包: ##[1]stats graphics grDevices utils datasets方法库 ## ##其他附加包: ##[1]cowplot_1.1.0 ucidat_0.0.3 rms_6.0-1 SparseM_1.78 ##[5]Hmisc_4.4-1 Formula_1.2-3 survival_3.1-12晶格_0.20-41 ##[9]用于cats_0.5.0字符串_1.4.0 dplyr_1.0.2 purr_0.3.4 ##[13]阅读器_1.3.1 tidyr_1.1.2 tibble_3.0.3 ggplot2_3.3.2 ##[17]tidyverse_1.3.0 ## ##通过命名空间加载(未附加): ##[1]nlme_3.1-148矩阵统计-0.56.0 fs_1.5.0 ##[4]润滑油_1.7.9 RColorBrewer_1.1-2 httr_1.4.2 ##[7]工具_S.0.2后端口_1.1.9 R6_2.5.0 ##[10]零件_4.1-15 mgcv_1.8-31 DBI_1.1.0 ##[13]colorspace_1.4-1 nnet_7.3-14和r_2.2.0 ##[16]tidyselect_1.1.0 gridExtra_2.3编译器_4.0.2 ##[19]cli_2.0.2服务器_0.3.6量程_5.67 ##[22]htmlTable_2.0.1 xml2_1.3.2和2.5-1 ##[25]标签_0.3 bookdown_0.21 scales_1.1.1 ##[28]checkmate_2.0.0 mvtnorm_1.1-1极轴_1.1.19 ##[31]消化_0.6.27外来_0.8-80 rmarkdown_2.5 ##[34]base64enc_0.1-3 jpeg_0.1-8.1 pkgconfig_2.0.3版本 ##[37]htmltools_0.5.0 dbplyr_1.4.4 htmlwidgets_1.5.1 ##[40]爱尔兰_0.4.8 readxl_1.3.1 rstudioapi_0.11 ##[43]farver_2.0.3通用_0.0.2动物园_1.8-8 ##[46]jsonlite_1.7.1磁头_2.0.1矩阵_1.2-18 ##[49]Rcpp_1.0.5 munsell_0.5.0 fansi_0.4.1门扇 ##[52]生命周期-0.2.0 multcomp_1.4-13字符串_1.5.3 ##[55]yaml_2.2.1 MASS_7.3-51.6网格_4.0.2 ##[58]blob_1.2.1蜡笔_1.3.4避风港_2.3.1 ##[61]花键_4.0.2 hms_0.5.3 knitr_1.30 ##[64]柱_1.4.6代码工具_0.2-16代表_0.3.0 ##[67]glue_1.4.2 evaluate_0.14博客_0.21.45 ##[70]晶格Extra_0.6-29数据。表_1.13.0模型_0.1.8 ##[73]png_0.1-7 vctrs_0.3.4矩阵模型_0.4-1 ##[76]cellranger_1.1.0 gtable_0.3.0断言_0.2.1 ##[79]xfun_0.19扫帚_0.7.0征服_1.0.2 ##[82]簇_2.1.0 TH.data_1.0-10椭圆_0.3.1