基于R语言的微生物群落组成多样性分析——共线性网络分析
之前有一位粉丝后台留言说能不能出一期有关于共线性网络的文章，说实话，小编之前只在文献中看到过这类图，对于其原理也是迷迷糊糊。看了好多别人写的文章，根据大佬们的思路，我也大致整理了一些代码，希望能对大家有所启发。话不多说，直接上正文吧！
1、前期准备
rm(list=ls())#clear Global Environment
setwd('D:\\桌面\\共线性网络分析')#设置工作路径
人工智能
自编码器 AE（AutoEncoder）程序
原文链接
1.程序讲解
（1）香草编码器
在这种自编码器的最简单结构中，只有三个网络层，即只有一个隐藏层的神经网络。它的输入和输出是相同的，可通过使用Adam优化器和均方误差损失函数，来学习如何重构输入。
在这里，如果隐含层维数（64）小于输入维数（784），则称这个编码器是有损的。通过这个约束，来迫使神经网络来学习数据的压缩表征。
input_size = 784
hidden_size = 6
创建自定义的 Angular 管道
我们在上一篇文章中，了解了什么是 Angular 管道，以及如何使用 Angular 提供的一些常用管道。本文将进一步深入探讨如何创建一个 Angular 管道，实现对数据的自定义转换。
创建管道
我们可以使用 Angular CLI 的 generate 命令，创建一个管道：
ng generate pipe sort
输出结果：
CREATE src/app/sort.pipe.spec.
大师兄的数据分析学习笔记(二十五）：聚类（一）
大师兄的数据分析学习笔记(二十四）：回归树与提升树
大师兄的数据分析学习笔记(二十六）：聚类（二）
一、监督学习和无监督学习
分类和回归都属于监督学习，监督学习的特点是有标注。
所谓标注也就是数据的特征，不管是分类还是回归都是通过标注进行区分数据。
而无监督学习没有标注，所以无监督学习的目的就是给数据加上标注。
进行标注的原则是，加过标注后的数据应该尽可能相似，而不同标注内的数据应该尽可能不同
R语言 Logistic回归~模型构建
线性回归模型是研究连续型变量与一组自变量之间的关系。也就是说线性回归模型的因变量是连续型变量。如果因变量是分类变量，则是非线性的，此时需要用Logistic回归，对其发生概率进行线性回归。
Logistic回归预测模型思路：
1.模型构建
2.模型评价
3.模型验证
模型构建~~二元Logistic回归
二元Logistic模型构建应用条件
1.足够的样本量（样本量一般为变量的10~20
跟着Nature Plants学作图：R语言ggplot2画分组折线图和置信区间
论文
The flying spider-monkey tree fern genome provides insights into fern evolution and arborescence
#Sec44
数据下载链接
【R实战 高级方法】十四、主成分和因子分析
这里是佳奥！R实战部分的学习进入后期，我们继续高级方法的学习。
主成分分析（PCA）是一种数据降维技巧，它能将大量相关变量转化为一组很少的不相关变量，这些无关变量称为主成分。
探索性因子分析（EFA）是一系列用来发现一组变量的潜在结构的方法。它通过寻找一组更小的、潜在的或隐藏的结构来解释已观测到的、显式的变量间的关系。
首先，我们将回顾R中可用来做PCA或EFA的函数，并简略看一看相关分析流程。
