分类： Notes(技术笔记)

前人乃至我们之前的工作中，对伪负样本的使用，实质上是对正样本的逆向使用，将研究区域简单分为：正样本区、负样本区。

实际上可以采集到的数据是：已识别的正样本(对应已识别的正样本区)，已识别的负样本(对应已识别的负样本区)，未识别/无样本(对应未知区域，即未识别的正样本区+未识别的负样本区)。

伪负样本的偏差，在于未知——伪负样本——负样本这一逻辑推理上的偏差。

生态位模拟中暂不支持将两种数据同时输入又有区别地使用，在计算过程中无论PAd或是TAd都只能是同作为负样本计算。

当少量负样本混入大量伪负样本时，其特殊性(对微环境的指示作用)很难得到体现。

几何间隔分类法(Geometric Interval Classification)

原理：此方法按照等比例增加的间隔来划分数据类别。类间距按照一个常数因子进行增加，适用于分布极不均匀的数据。
特点：能够在数据值变化较大时提供更多的细节。
作用：对于气温数据，尤其是在覆盖极端温差的地区(如从极地到热带)，几何间隔分类法可以帮助揭示温度变化的几何级数特征。这种方法可以使得高温和低温区域之间的过渡更加明显，有助于识别气温的极端值。
体现的数据性质：适合呈指数分布或对数分布的数据，强调高值数据的差异。

标准差分类法(Standard Deviation Classification)

原理：以平均值为中心，以标准差为间隔来创建类别。数据被分为平均值上下的若干个标准差范围内。
特点：反映了数据相对于平均值的变异程度。
作用：通过标准差分类法，可以确定某个地区或时间段内的气温如何相对于平均气温分布。这有助于识别异常温度(极端高温或低温)，并评估气温的波动程度。例如，可以用来分析气温异常现象，如热浪或寒潮。
体现的数据性质：适用于近似正态分布的数据集，可以清晰地看到哪些数据是异常值，哪些是正常范围内的值。

等间距分类法(Equal Interval Classification)

原理：将数据范围均匀划分成几个等宽的区间。区间的数量由分析者决定。
特点：简单易懂，易于实施。
作用：等间距分类法为气温数据提供了一种简单直观的分类方式，使得数据的整体分布一目了然。它适用于初步分析气温分布，特别是当需要快速概览数据范围和主要分布区间时。
体现的数据性质：等间距分类法能够清楚地展示数据的整体分布，但可能会忽略集中在特定区间的数据细节。

分位数分类法(Quantile Classification)

原理：按照数据的分位数来划分类别，确保每个类别中有相同数量的观测值。
特点：能够有效地展示数据的相对位置和分布。
作用：分位数分类法通过确保每个类别中包含相同数量的数据点，有助于识别气温分布的中位数和其他分位数位置。这种方法特别适合比较不同地区或不同时间段的气温分布，因为它强调了气温的相对排名而非绝对值。
体现的数据性质：适合于当你希望每个类别中的数据点数量相等时。这种方法特别适用于展示相对排名或百分比位置。

自然间断分类法(Natural Breaks Classification，又称Jenks优化法)

原理：尝试找到数据值的自然分组，以最小化各组内的方差而最大化组间的方差。
特点：更好地反映数据的自然分布，特别是当数据分布不均匀时。
作用：自然间断分类法尤其适用于气温数据，因为它可以识别并利用数据中的自然分界点，如季节性变化造成的温度断点。这种方法可以更精确地反映气温的自然聚类，有助于识别不同气候区域或季节变化的特征温度范围。
体现的数据性质：适用于数据有明显的“间断”或聚类时。这种方法试图识别并利用这些自然分界线，从而更真实地反映数据的分布特征。