课题着眼于…

机器学习在环境监测领域的应用着眼于探索全球范围内的环境演化规律人类与自然生态之间的关系以及环境变化对人类生存的影响点击文末“阅读原文”获取完整代码数据。

课题着眼于环境科学中的近年来土地面积变化影响的课题应用机器学习的方法进行数据处理与分析预测。

数据的处理方法以及机器学习本身算法理论的学习和代码实现在各领域具有相同性之后同学可以在其他感兴趣的领域结合数据进行分析利用此课题所学知识举一反三。

相关视频

本文获取了近年来全球各国土地面积变化数据查看文末了解数据免费获取方式

区域或局地尺度的气候变化影响研究需要对气候模式输出或再分析资料进行降尺度以获得更细分辨率的气候资料。

本文通过PCA主成分、lasso、岭回归对数据进行降维分析既能起到对相关的预报因子限制的作用保证了预测结果的稳定性又不至于掩盖预报因子的贡献以至于丧失模型预测的准确性。

读取数据

dataread.csv(E:/climate_change_download_0

(1).csv)

1:ncol(x))x[,j]as.numeric(x[,j])

主成分分析

r语言中对LASSO回归Ridge岭回归和弹性网络Elastic

Net模型实现

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

summary(laa)##

使用lasso方法排除回归模型中的多重共线性是有必要的。

在对lasso模型参数的确定过程中进行统计降尺度时将df设置为17时cp值最小因此我们选择1999-2006年的数据较为合理既能起到对相关的预报因子限制的作用保证了预测结果的稳定性又不至于掩盖预报因子的贡献以至于丧失模型预测的准确性。

使用ridge

使用岭回归方法排除回归模型中的多重共线性是有必要的。

在对岭回归模型参数α的确定过程中本文认为在使用岭回归模型对地区土地面积进行统计尺度时将GCV设置为100较为合理当α过小时正则项起不到作用回归模型各项系数分散此时模型如普通最小二乘多元回归模型出现过拟合现象预测结果不稳定;当α过大时模型各项系数收敛到一处出现欠拟合现象预测结果不准确;而当α合理确定时平衡了模型的稳定性和准确性。

数据获取

本文选自《R语言PCA主成分、lasso、岭回归降维分析全球气候变化对各国土地面积影响》。

点击标题查阅往期内容

lasso套索模型预测新生儿出生体重风险因素数据和交叉验证、可视化

【视频】Lasso回归、岭回归等正则化回归数学原理及R语言实例

用LASSOadaptive

lasso套索模型预测新生儿出生体重风险因素数据和交叉验证、可视化

高维数据惩罚回归方法主成分回归PCR、岭回归、lasso、弹性网络elastic

net分析基因数据

Python高维变量选择:SCAD平滑剪切绝对偏差惩罚、Lasso惩罚函数比较

R使用LASSO回归预测股票收益

广义线性模型glm泊松回归的lasso、弹性网络分类预测学生考试成绩数据和交叉验证

贝叶斯分位数回归、lasso和自适应lasso贝叶斯分位数回归分析免疫球蛋白、前列腺癌数据

R语言RSTAN

r语言中对LASSO回归Ridge岭回归和弹性网络Elastic

Net模型实现

R语言高维数据惩罚回归方法主成分回归PCR、岭回归、lasso、弹性网络elastic

net分析基因数据含练习题

广义线性模型glm泊松回归的lasso、弹性网络分类预测学生考试成绩数据和交叉验证

贝叶斯分位数回归、lasso和自适应lasso贝叶斯分位数回归分析免疫球蛋白、前列腺癌数据

R语言RSTAN

r语言中对LASSO回归Ridge岭回归和弹性网络Elastic

Net模型实现

R语言高维数据惩罚回归方法主成分回归PCR、岭回归、lasso、弹性网络elastic

net分析基因数据含练习题

Python中LARS和Lasso回归之最小角算法Lars分析波士顿住房数据实例

R语言自适应LASSO

R语言惩罚logistic逻辑回归LASSO,岭回归高维变量选择的分类模型案例

r语言中对LASSO回归Ridge岭回归和弹性网络Elastic

Net模型实现

Python中的ARIMA模型、SARIMA模型和SARIMAX模型对时间序列预测

R语言arima向量自回归VAR周期自回归(PAR)模型分析温度时间序列

【视频】Python和R语言使用指数加权平均(EWMA)ARIMA自回归移动平均模型预测时间序列

Python用ARIMA和SARIMA模型预测销量时间序列数据