Questions tagged «ecology»

我将用一个例子来解释我的问题。假设您要根据以下属性预测个人的收入：{年龄，性别，国家/地区，城市}。你有一个像这样的训练数据集 train <- data.frame(CountryID=c(1,1,1,1, 2,2,2,2, 3,3,3,3), RegionID=c(1,1,1,2, 3,3,4,4, 5,5,5,5), CityID=c(1,1,2,3, 4,5,6,6, 7,7,7,8), Age=c(23,48,62,63, 25,41,45,19, 37,41,31,50), Gender=factor(c("M","F","M","F", "M","F","M","F", "F","F","F","M")), Income=c(31,42,71,65, 50,51,101,38, 47,50,55,23)) train CountryID RegionID CityID Age Gender Income 1 1 1 1 23 M 31 2 1 1 1 48 F 42 3 1 1 2 62 M 71 4 …

29 regression  machine-learning  multilevel-analysis  correlation  dataset  spatial  paired-comparisons  cross-correlation  clustering  aic  bic  dependent-variable  k-means  mean  standard-error  measurement-error  errors-in-variables  regression  multiple-regression  pca  linear-model  dimensionality-reduction  machine-learning  neural-networks  deep-learning  conv-neural-network  computer-vision  clustering  spss  r  weighted-data  wilcoxon-signed-rank  bayesian  hierarchical-bayesian  bugs  stan  distributions  categorical-data  variance  ecology  r  survival  regression  r-squared  descriptive-statistics  cross-section  maximum-likelihood  factor-analysis  likert  r  multiple-imputation  propensity-scores  distributions  t-test  logit  probit  z-test  confidence-interval  poisson-distribution  deep-learning  conv-neural-network  residual-networks  r  survey  wilcoxon-mann-whitney  ranking  kruskal-wallis  bias  loss-functions  frequentist  decision-theory  risk  machine-learning  distributions  normal-distribution  multivariate-analysis  inference  dataset  factor-analysis  survey  multilevel-analysis  clinical-trials 

生态统计中有许多技术可用于多维数据的探索性数据分析。这些被称为“协调”技术。许多统计数据与其他地方的通用技术相同或紧密相关。原型示例可能是主成分分析（PCA）。生态学家可能会使用PCA和相关技术来探索“梯度”（我尚不完全清楚什么是梯度，但我已经对其有所了解。） 在此页面上，主成分分析（PCA）下的最后一项是： PCA对于植被数据有一个严重的问题：马蹄效应。这是由于物种沿梯度分布的曲线性所致。由于物种响应曲线通常是单峰的（即非常强烈的曲线），因此马蹄效应很常见。 在页面的下方，在“ 对应分析”或“互惠平均”（RA）下，它称为“拱形效应”： RA有一个问题：拱效应。这也是由沿梯度分布的非线性引起的。 拱形不如PCA的马蹄效应那么严重，因为坡度的末端没有回旋。 有人可以解释吗？最近，我在重新表示低维空间数据的绘图中看到了这种现象（即对应分析和因子分析）。 “梯度”将更广泛地对应于什么（即在非生态环境中）？ 如果您的数据发生这种情况，这是“问题”（“严重问题”）吗？为了什么？ 在马蹄形拱门出现的地方应该如何解释输出？ 是否需要采取补救措施？什么？原始数据的转换会有所帮助吗？如果数据是序数等级怎么办？ 答案可能存在于该站点的其他页面中（例如，对于PCA，CA和DCA）。我一直在努力解决这些问题。但是，这些讨论是用不够熟悉的生态术语和实例进行的，因此很难理解这个问题。

20 pca  eda  ecology  correspondence-analysis 

我想运行一个二元logistic回归模型，以在10年内（1997-2006年）从一组自变量中模拟冲突（因变量）的存在与否，每年有107个观测值。我的独立人是： 土地退化（针对两种退化类型）； 人口增加（0-否； 1-是）； 生计类型（0-1型； 1-2-2型）； 人口密度（三种密度水平）； NDVI连续（最大蔬菜生产率）； NDVI t − 1（比上一年的蔬菜下降-0-否； 1-是）和t−1t−1_{t-1} 和NDVI t − 2（从两年后的蔬菜开始下降-0-否； 1-是）。t−2t−2_{t-2} 我对此很陌生-这是我的讲师给我的一个项目-因此，我将感谢您的一些建议或指导。我已经测试了多大学衔。 本质上，我的数据被划分为107个观测单位（空间区域），覆盖了10年（总共1070年），对于每个观测单位，它给出的是当时该单位内独立变量条件的“快照”值（区域）。我想知道如何设置逻辑回归（或表格）以分别识别每年的107个值，以便可以评估不同单位年之间的时间NDVI变化吗？

14 regression  time-series  logistic  spatial  ecology 

我正在修订有关授粉的论文，其中数据按二项分布（水果成熟或没有成熟）。因此，我使用glmer了一种随机效果（单个植物）和一种固定效果（治疗）。审稿人想知道植物是否对坐果有影响-但我在解释glmer结果时遇到困难。 我已经在网络上阅读过，似乎直接比较glm和glmer模型可能存在问题，所以我没有这样做。我认为回答这个问题的最直接方法是将随机效应方差（下面的1.449）与总方差进行比较，或者将处理结果解释为方差。但是，如何计算这些其他方差？它们似乎未包含在下面的输出中。我读到一些关于二项式不包括残差的信息glmer-我如何解释随机效应的相对重要性？ > summary(exclusionM_stem) Generalized linear mixed model fit by maximum likelihood (Laplace Approximation) [glmerMod] Family: binomial ( logit ) Formula: cbind(Fruit_1, Fruit_0) ~ Treatment + (1 | PlantID) AIC BIC logLik deviance df.resid 125.9 131.5 -59.0 117.9 26 Scaled residuals: Min 1Q Median 3Q Max -2.0793 -0.8021 -0.0603 0.6544 …

13 r  generalized-linear-model  variance  lme4-nlme  ecology 

在生态学中，我们经常使用逻辑增长方程： ñŤ=ķñ0Ë[R Ťķ+ñ0Ër t − 1Nt=KN0ertK+N0ert−1 N_t = \frac{ K N_0 e^{rt} }{K + N_0 e^{rt-1}} 要么 ñŤ=ķñ0ñ0+ （K-ñ0）Ë- - [R ŤNt=KN0N0+(K−N0)e−rt N_t = \frac{ K N_0}{N_0 + (K -N_0)e^{-rt}} 其中是承载能力（达到最大密度），是初始密度，是增长率，是从初始开始的时间。ķKKñ0N0N_0[RrrŤtt 的值具有一个的上限和一个下限，下限为。ñŤNtN_t（K）(K)(K)（ñ0）(N0)(N_0)000 此外，在我的特定上下文中，使用光密度或荧光进行测量，这两者均具有理论最大值，因此具有很强的上限。ñŤNtN_t 因此，围绕的误差最好用有界分布来描述。ñŤNtN_t 在值，该分布可能具有很强的正偏度，而在值接近K时，该分布可能具有很强的负偏度。因此，该分布可能具有可以链接到的形状参数。ñŤNtN_tñŤNtN_tñŤNtN_t 方差也可以随着增加。ñŤNtN_t 这是一个图形示例 与 K<-0.8 r<-1 N0<-0.01 t<-1:10 max<-1 可以用 library(devtools) source_url("https://raw.github.com/edielivon/Useful-R-functions/master/Growth%20curves/example%20plot.R") 考虑到模型和提供的经验信息，围绕的理论误差分布是？ñŤNtN_t 此分布的参数与或时间值关系（如果使用参数，则该模式不能与直接关联，例如logis正态）？ñŤNtN_tñŤNtN_t 这个分布是否具有在实现的密度函数？[RRR 到目前为止探索的方向： …

10 r  distributions  pdf  ecology 

示例：我的职位描述中有一句话：“英国Java高级工程师”。 我想使用深度学习模型将其预测为2类：English 和IT jobs。如果我使用传统的分类模型，则只能预测softmax最后一层具有功能的标签。因此，我可以使用2个模型神经网络来预测两个类别的“是” /“否”，但是如果我们有更多类别，那就太贵了。那么，我们是否有任何深度学习或机器学习模型可以同时预测2个或更多类别？ “编辑”：使用传统方法使用3个标签，它将由[1,0,0]编码，但在我的情况下，它将由[1,1,0]或[1,1,1]编码 示例：如果我们有3个标签，并且所有这些标签都适合一个句子。因此，如果softmax函数的输出为[0.45，0.35，0.2]，我们应该将其分类为3个标签或2个标签，或者可以是一个？我们这样做的主要问题是：分类为1个，2个或3个标签的最佳阈值是多少？

9 machine-learning  deep-learning  natural-language  tensorflow  sampling  distance  non-independent  application  regression  machine-learning  logistic  mixed-model  control-group  crossover  r  multivariate-analysis  ecology  procrustes-analysis  vegan  regression  hypothesis-testing  interpretation  chi-squared  bootstrap  r  bioinformatics  bayesian  exponential  beta-distribution  bernoulli-distribution  conjugate-prior  distributions  bayesian  prior  beta-distribution  covariance  naive-bayes  smoothing  laplace-smoothing  distributions  data-visualization  regression  probit  penalized  estimation  unbiased-estimator  fisher-information  unbalanced-classes  bayesian  model-selection  aic  multiple-regression  cross-validation  regression-coefficients  nonlinear-regression  standardization  naive-bayes  trend  machine-learning  clustering  unsupervised-learning  wilcoxon-mann-whitney  z-score  econometrics  generalized-moments  method-of-moments  machine-learning  conv-neural-network  image-processing  ocr  machine-learning  neural-networks  conv-neural-network  tensorflow  r  logistic  scoring-rules  probability  self-study  pdf  cdf  classification  svm  resampling  forecasting  rms  volatility-forecasting  diebold-mariano  neural-networks  prediction-interval  uncertainty 

我有在人群中相互作用的不同变量。基本上，我一直在盘点千足虫，并测量其他一些地形值，例如： 标本的种类和数量 动物所在的不同环境 pH值 有机物百分比 磷，钾，镁，钙，锰，铁，锌，铜的含量 Ca + Mg / K关系 基本上，我想使用PCA来确定哪些变量驱动样本的可变性并使森林（环境）有所不同。我应该为“变量”使用哪些变量，为“个人”使用哪些变量？

9 pca  multivariate-analysis  ecology  correspondence-analysis 

我知道之前曾问过这个问题：生态学参考书，但这不是我想要的。 我在寻找的是是否有人可以推荐一本关于统计生态学的好书（或规范的参考书）？我对统计数据有很好的理解，因此该书确实可以适用于任何水平。我会用这本书来教自己更多关于统计学在生态学中的应用，而不是其他任何东西，因此，即使是一本带有良好/有趣示例的入门书，也将不胜感激。另外，我的研究倾向于针对贝叶斯统计，因此结合贝叶斯统计的书甚至更好！

9 self-study  references  ecology 

我想对几个点过程（或一个标记点​​过程）执行平方计数分析，然后应用一些降维技术。 这些标记分布不均，即某些标记经常出现，而有些则很少。因此，我不能简单地将2D空间划分为规则的网格，因为频率较高的标记将“淹没”频率较低的标记，从而掩盖了它们的外观。 因此，我尝试构建网格，以使每个像元中最多包含N个点（为此，我将每个像元简单地递归地划分为四个较小（大小相同）的像元，直到每个像元中不超过N个点为止。它）。 您如何看待这种“规范化”技术？有没有做这种事情的标准方法？

9 multivariate-analysis  normalization  ecology  point-process