全文鏈接：http://tecdat.cn/?p=31445

原文出處：拓端數(shù)據(jù)部落公眾號

機器學(xué)習(xí)在環(huán)境監(jiān)測領(lǐng)域的應(yīng)用，著眼于探索全球范圍內(nèi)的環(huán)境演化規(guī)律，人類與自然生態(tài)之間的關(guān)系以及環(huán)境變化對人類生存的影響。

課題著眼于環(huán)境科學(xué)中的近年來土地面積變化影響的課題，應(yīng)用機器學(xué)習(xí)的方法，進行數(shù)據(jù)處理與分析預(yù)測。數(shù)據(jù)的處理方法以及機器學(xué)習(xí)本身算法理論的學(xué)習(xí)和代碼實現(xiàn)在各領(lǐng)域具有相同性，之后同學(xué)可以在其他感興趣的領(lǐng)域結(jié)合數(shù)據(jù)進行分析，利用此課題所學(xué)知識舉一反三。

本文獲取了近年來全球各國土地面積變化數(shù)據(jù)：

區(qū)域或局地尺度的氣候變化影響研究需要對氣候模式輸出或再分析資料進行降尺度以獲得更細(xì)分辨率的氣候資料。

本文通過PCA主成分、lasso、嶺回歸對數(shù)據(jù)進行降維分析，既能起到對相關(guān)的預(yù)報因子限制的作用保證了預(yù)測結(jié)果的穩(wěn)定性，又不至于掩蓋預(yù)報因子的貢獻以至于喪失模型預(yù)測的準(zhǔn)確性。

讀取數(shù)據(jù)

data=read.csv("E:/climate_change_download_0 (1).csv") ? ?data=na.omit(data) ? # data[which(data=="..")]=0 ?x=data[,c(7:ncol(data))] ? x[which(x=="..",arr.ind = T)]=0

數(shù)據(jù)清洗

x=data.frame(x) ?for(j in 1:ncol(x))x[,j]=as.numeric(x[,j])

主成分分析

pca <- x %*% v[,1:2]scores <- X %*% loadings ? biplot(scores[,1:2], loadings[,1:2], xlab=rownames(scores),

發(fā)現(xiàn)最優(yōu)主成分?jǐn)?shù)

lasso 模型

對數(shù)據(jù)進行l(wèi)asso模型篩選變量

轉(zhuǎn)換數(shù)據(jù)類型

for(i in 1:ncol(X))X[,i]=as.numeric(X[,i])

找出有強影響的變量

summary(laa)## LARS/LAR ?## Call: lars(x = X, y = Y, type = "lar") ?##??? Df??? Rss?????? Cp ?## 0?? 1 6505.0 2041.608 ?## 1?? 2 6472.4 2000.730 ?## 2?? 3 6411.9 1923.292 ?## 3?? 4 6056.4 1458.310 ?## 4?? 5 6044.3 1444.434 ?## 5?? 6 6010.9 1402.454 ?## 6?? 7 5660.6? 944.328 ?## 7?? 8 5594.1? 858.944 ?## 8?? 9 5334.2? 519.497

使用嶺回歸方法排除回歸模型中的多重共線性是有必要的。在對嶺回歸模型參數(shù)α的確定過程中，經(jīng)過對多站點多個月份的試驗，本文認(rèn)為在使用嶺回歸模型進行統(tǒng)計降尺度時將df設(shè)置為17時，cp值最小，因此我們選擇1999-2006年的數(shù)據(jù)較為合理，既能起到對相關(guān)的預(yù)報因子限制的作用保證了預(yù)測結(jié)果的穩(wěn)定性，又不至于掩蓋預(yù)報因子的貢獻以至于喪失模型預(yù)測的準(zhǔn)確性。

使用ridge regression回歸模型

plot(lm.rid

選擇GCV為100，帶入嶺回歸模型的lambda中

使用嶺回歸方法排除回歸模型中的多重共線性是有必要的。在對嶺回歸模型參數(shù)α的確定過程中，經(jīng)過對多站點多個月份的試驗，本文認(rèn)為在使用嶺回歸模型對地區(qū)土地面積進行統(tǒng)計尺度時將GCV設(shè)置為100較為合理，當(dāng)α過小時，正則項起不到作用，回歸模型各項系數(shù)分散，此時模型如普通最小二乘多元回歸模型，出現(xiàn)過擬合現(xiàn)象，預(yù)測結(jié)果不穩(wěn)定;當(dāng)α過大時，模型各項系數(shù)收斂到一處，出現(xiàn)欠擬合現(xiàn)象，預(yù)測結(jié)果不準(zhǔn)確;而當(dāng)α合理確定時，平衡了模型的穩(wěn)定性和準(zhǔn)確性。

最受歡迎的見解

1.matlab偏最小二乘回歸(PLSR)和主成分回歸(PCR)

2.R語言高維數(shù)據(jù)的主成分pca、 t-SNE算法降維與可視化分析

3.主成分分析(PCA)基本原理及分析實例

4.R語言實現(xiàn)貝葉斯分位數(shù)回歸、lasso和自適應(yīng)lasso貝葉斯分位數(shù)回歸

5.使用LASSO回歸預(yù)測股票收益數(shù)據(jù)分析

6.r語言中對lasso回歸，ridge嶺回歸和elastic-net模型

7.r語言中的偏最小二乘回歸pls-da數(shù)據(jù)分析

8.R語言用主成分PCA、?邏輯回歸、決策樹、隨機森林分析心臟病數(shù)據(jù)并高維可視化

9.R語言主成分分析（PCA）葡萄酒可視化：主成分得分散點圖和載荷圖