Si vous n’avez jamais utilisé de tutoriel “learnr”, familiarisez-vous d’abord avec son interface ici.
Ne vous trompez pas dans votre adresse mail et votre identifiant Github
N’oubliez pas de soumettre votre réponse après chaque exercice
Conformément au RGPD (Règlement Général sur la Protection des Données), nous sommes tenus de vous informer de ce que vos résultats seront collecté afin de suivre votre progression. Les données seront enregistrées au nom de l’utilisateur apparaissant en haut de cette page. Corrigez si nécessaire ! En utilisant ce tutoriel, vous marquez expressément votre accord pour que ces données puissent être collectées par vos enseignants et utilisées pour vous aider et vous évaluer. Après avoir été anonymisées, ces données pourront également servir à des études globales dans un cadre scientifique et/ou éducatif uniquement.
Des scientifiques ont réalisé des mesures d’abondance d’espèces de poissons et des mesures physico-chimiques sur 30 stations différentes.
L’objet doubs
du package ade4
est une liste qui contient 4 jeux de donnnées. Nous nous intéresserons aux données portant sur les mesures environnementales.
[1] "list"
Ce tableau comprend 30 sites d’échantillonages avec 11 mesures environnementales.
Voici une courte description des variables étudiées (en anglais). Ces informations proviennent de la page d’aide ?ade4::doubs
summary(enviro)
dfs alt slo flo
Min. : 3.0 Min. :172.0 Min. :1.099 Min. : 84
1st Qu.: 544.5 1st Qu.:248.0 1st Qu.:1.831 1st Qu.: 420
Median :1752.0 Median :395.0 Median :2.565 Median :2210
Mean :1879.0 Mean :481.5 Mean :2.758 Mean :2220
3rd Qu.:3017.2 3rd Qu.:782.0 3rd Qu.:3.390 3rd Qu.:2858
Max. :4530.0 Max. :934.0 Max. :6.176 Max. :6900
pH har pho nit
Min. :77.00 Min. : 40.00 Min. : 1.00 Min. : 15.0
1st Qu.:79.25 1st Qu.: 84.25 1st Qu.: 12.50 1st Qu.: 50.5
Median :80.00 Median : 89.00 Median : 28.50 Median :160.0
Mean :80.50 Mean : 86.10 Mean : 55.77 Mean :165.4
3rd Qu.:81.00 3rd Qu.: 96.75 3rd Qu.: 56.00 3rd Qu.:242.5
Max. :86.00 Max. :110.00 Max. :422.00 Max. :620.0
amm oxy bdo
Min. : 0.00 Min. : 41.00 Min. : 13.00
1st Qu.: 0.00 1st Qu.: 80.25 1st Qu.: 27.25
Median : 10.00 Median :102.00 Median : 41.50
Mean : 20.93 Mean : 93.90 Mean : 51.17
3rd Qu.: 20.00 3rd Qu.:109.00 3rd Qu.: 52.75
Max. :180.00 Max. :124.00 Max. :167.00
La fonction som() du package kohonen ne peut employer qu’une matrice. Commencez par centrer et transfomez enviro
en une matrice.
# function de base
DF %>.%
scale(.) %>.%
as.matrix(.) -> MATRIX
som. <- som(MATRIX, grid = somgrid(X, Y, topo = "hexagonal"))
# un premier graphique de diagnostic est le nombre d'observation pour
plot(som., type = "mapping", shape = "straight")
summary(enviro)
# function de base
DF %>.%
scale(.) %>.%
as.matrix(.) -> MATRIX
som. <- som(MATRIX, grid = somgrid(X, Y, topo = "hexagonal"))
# un premier graphique de diagnostic est le nombre d'observation pour
plot(som., type = "mapping", shape = "straight")
# function de base
enviro %>.%
scale(.) %>.%
as.matrix(.) -> envi_mat
som. <- som(envi_mat, grid = somgrid(3, 3, topo = "hexagonal"))
# un premier graphique de diagnostic est le nombre d'observation pour
plot(som., type = "mapping", shape = "straight")
# TODO
Utilisez à nouveau le jeu de données enviro
.
# function de base
DF %>.%
scale(.) %>.%
as.matrix(.) -> MATRIX
som. <- som(MATRIX, grid = somgrid(X, Y, topo = "hexagonal"))
# un premier graphique de diagnostic est le nombre d'observation pour
plot(som., type = "mapping", shape = "straight")
plot(som., type = "codes",
codeRendering = "segments", shape = "straight")
plot(zoo_som, type = "changes", shape = "straight")
summary(enviro)
DF %>.%
scale(.) %>.%
as.matrix(.) -> MATRIX
som. <- som(MATRIX, grid = somgrid(X, Y, topo = "hexagonal"))
# un premier graphique de diagnostic est le nombre d'observation pour
plot(som., type = "mapping", shape = "straight")
plot(som., type = "codes",
codeRendering = "segments", shape = "straight")
plot(zoo_som, type = "changes", shape = "straight")
DF %>.%
scale(.) %>.%
as.matrix(.) -> MATRIX
som. <- som(MATRIX, grid = somgrid(X, Y, topo = "hexagonal"))
# un premier graphique de diagnostic est le nombre d'observation pour
plot(som., type = "codes",
codeRendering = "segments", shape = "straight")
enviro %>.%
scale(.) %>.%
as.matrix(.) -> enviro_mat
som. <- som(enviro_mat, grid = somgrid(3, 3, topo = "hexagonal"))
# un premier graphique de diagnostic est le nombre d'observation pour
plot(som., type = "codes",
codeRendering = "segments", shape = "straight")
# TODO
Après avoir réalisé ce graphiques, tentez de l’analyser.
Vous venez de terminer votre séance d’exercice.
Laissez nous vos impressions sur cet outil pédagogique ou expérimentez encore dans la zone ci-dessous. Rappelez-vous que pour placer un commentaire dans une zone de code R, vous devez utilisez un dièse (#
) devant vos phrases.
# Ajout de commentaires
# ...
# Not yet...