Als «ggplot2» getaggte Fragen

ggplot2 ist eine erweiterte Plotbibliothek für R, die auf den Prinzipien von "The Grammar of Graphics" basiert. Verwenden Sie dieses Tag für * themenbezogene * Fragen, bei denen (a) "ggplot2" als kritischer Teil der Frage und / oder der erwarteten Antwort verwendet wird und (b) nicht nur die Verwendung von "ggplot2" betrifft.

1
Unterschiedliche Ergebnisse beim Zeichnen von 95% CI-Ellipsen mit ggplot oder dem Ellipsenpaket
Ich möchte die Ergebnisse eines Clusters (erstellt mit protoclust{protoclust}) visualisieren, indem ich Scater-Diagramme für jedes Variablenpaar erstelle, das zum Klassifizieren meiner Daten verwendet wird, nach Klassen färbt und die Ellipsen für das 95% -Konfidenzintervall für jede der Klassen überlappt (um zu überprüfen, welche elipses-Klassen überlappen sich unter jedem Variablenpaar. Ich …
3
Wie vergleiche ich zwei Datensätze mit dem QQ-Plot mit ggplot2?
Als Statistik- und R-Neuling hatte ich große Schwierigkeiten, qqplots mit einem Seitenverhältnis von 1: 1 zu erstellen. ggplot2 scheint weitaus mehr Kontrolle über das Plotten zu bieten als die Standard-R-Plot-Pakete, aber ich kann nicht sehen, wie ein qqplot in ggplot2 durchgeführt wird, um zwei Datensätze zu vergleichen. Also meine Frage, …
2
Wie kann man durch kontinuierliche Wechselwirkungen in ggplot2 kontinuierlich zeichnen?
Angenommen, ich habe Daten: x1 <- rnorm(100,2,10) x2 <- rnorm(100,2,10) y <- x1+x2+x1*x2+rnorm(100,1,2) dat <- data.frame(y=y,x1=x1,x2=x2) res <- lm(y~x1*x2,data=dat) summary(res) Ich möchte die kontinuierliche durch kontinuierliche Interaktion so darstellen, dass x1 auf der X-Achse liegt und x2 durch 3 Linien dargestellt wird, von denen eine x2 bei einem Z-Score von …
1
Interpretieren von gekerbten Boxplots
Während ich eine EDA durchführte, entschied ich mich, ein Box-Diagramm zu verwenden, um den Unterschied zwischen zwei Ebenen eines Faktors zu veranschaulichen. Die Art und Weise, wie ggplot das Box-Diagramm renderte, war zufriedenstellend, aber leicht vereinfacht (erstes Diagramm unten). Während ich die Eigenschaften von Boxplots untersuchte, begann ich mit Kerben …
1
Wie zeichnet man einen angepassten Graphen und einen tatsächlichen Graphen der Gammaverteilung in einem Diagramm?
Laden Sie das benötigte Paket. library(ggplot2) library(MASS) Generieren Sie 10.000 Zahlen, die an die Gammaverteilung angepasst sind. x <- round(rgamma(100000,shape = 2,rate = 0.2),1) x <- x[which(x>0)] Zeichnen Sie die Wahrscheinlichkeitsdichtefunktion, vorausgesetzt, wir wissen nicht, an welche Verteilung x angepasst ist. t1 <- as.data.frame(table(x)) names(t1) <- c("x","y") t1 <- transform(t1,x=as.numeric(as.character(x))) …
2
Berechnen Sie die ROC-Kurve für Daten
Ich habe also 16 Studien, in denen ich versuche, eine Person anhand eines biometrischen Merkmals mithilfe von Hamming Distance zu authentifizieren. Mein Schwellenwert ist auf 3,5 eingestellt. Meine Daten sind unten und nur Versuch 1 ist ein wahres Positiv: Trial Hamming Distance 1 0.34 2 0.37 3 0.34 4 0.29 …
9 mathematical-statistics  roc  classification  cross-validation  pac-learning  r  anova  survival  hazard  machine-learning  data-mining  hypothesis-testing  regression  random-variable  non-independent  normal-distribution  approximation  central-limit-theorem  interpolation  splines  distributions  kernel-smoothing  r  data-visualization  ggplot2  distributions  binomial  random-variable  poisson-distribution  simulation  kalman-filter  regression  lasso  regularization  lme4-nlme  model-selection  aic  r  mcmc  dlm  particle-filter  r  panel-data  multilevel-analysis  model-selection  entropy  graphical-model  r  distributions  quantiles  qq-plot  svm  matlab  regression  lasso  regularization  entropy  inference  r  distributions  dataset  algorithms  matrix-decomposition  regression  modeling  interaction  regularization  expected-value  exponential  gamma-distribution  mcmc  gibbs  probability  self-study  normality-assumption  naive-bayes  bayes-optimal-classifier  standard-deviation  classification  optimization  control-chart  engineering-statistics  regression  lasso  regularization  regression  references  lasso  regularization  elastic-net  r  distributions  aggregation  clustering  algorithms  regression  correlation  modeling  distributions  time-series  standard-deviation  goodness-of-fit  hypothesis-testing  statistical-significance  sample  binary-data  estimation  random-variable  interpolation  distributions  probability  chi-squared  predictor  outliers  regression  modeling  interaction 
1
Visualisierung von PCA in R: Datenpunkte, Eigenvektoren, Projektionen, Vertrauensellipse
Ich habe einen Datensatz von 17 Personen, Rang 77 Aussagen. Ich möchte Hauptkomponenten auf einer transponierten Korrelationsmatrix von Korrelationen zwischen Personen (als Variablen) über Aussagen (als Fälle) extrahieren . Ich weiß, es ist seltsam, es heißt Q-Methodik . Ich möchte veranschaulichen, wie PCA in diesem Zusammenhang funktioniert, indem ich Eigenwerte …
1
Was bedeutet diese Unschärfe um die Linie in diesem Diagramm?
Ich habe mit ggplot2 mit den folgenden Befehlen herumgespielt, um eine Zeile an meine Daten anzupassen: ggplot(data=datNorm, aes(x=Num, y=Val)) + geom_point() + stat_summary(fun.data = "mean_cl_boot", geom="errorbar", colour="red", width=0.8) + stat_sum_single(median) + stat_sum_single(mean, colour="blue") + geom_smooth(level = 0.95, aes(group=1), method="lm") Die roten Punkte sind Medianwerte, blau sind die Mittelwerte und die …
Durch die Nutzung unserer Website bestätigen Sie, dass Sie unsere Cookie-Richtlinie und Datenschutzrichtlinie gelesen und verstanden haben.
Licensed under cc by-sa 3.0 with attribution required.