本文采用交叉验证来计算实验误差，通过RepidMinerStudio软件里面的Cross Validation算法来计算实验误差。首先在操作界面创建一个空白页面，在里面进行数据和交叉验证算法的连接，再进行Cross Validation算法内部的算法设置，具体步骤如下。

连接数据和交叉验证

将之前导入的需要验证的数据拉入操作界面，再在算法栏中找到交叉验证，将其也拉入操作界面，然后连接数据和交叉验证，如图所示：

......

交叉验证算法

双击交叉验证算子进入交叉验证，在左边的操作界面输入你所要进行交叉验证的算法，这里用支持向量机为例，再在右边的操作界面创建Apply Model和Performance两个算子，连接这些算子，点击运行，进行交叉验证。界面如下：

......

支持向量机得出模型的结果分析

在过牧地区，草本植物的特性对优势啮齿动物种群生物量的影响大于灌木，并且大多数都与动物生物量成负相关关系，且与灌木的植物因子呈负相关。干旱地区的草本植物本身就比较稀少，而草本植物的茎叶，可以作为啮齿动物的实物，但由于草本植物的生长而聚集起来的水分，则会吸引啮齿动物的天敌前来，因此草本植物的生物量与啮齿动物的生物量大致呈负相关趋势。

而在轮牧地区，啮齿动物的生物量主要由灌木的各种指标控制，且大多呈正相关，因为啮齿动物的栖息地大多会选择在阴凉的灌木的茎部，并且灌木丛也是啮齿动物主要的活动场所，灌木林的减少，将会是啮齿动物暴露在天敌的视野中，使啮齿动物难以生存，从而使其生物量减少。

第五章 结论与展望

上一章主要对之前所建立的线性回归模型就行误差计算以及结果分析，本章主要是本文的总结与展望，讲述本课题研究得出的结论以及对之后课题研究的展望。

本文的结论

机器学习中关于线性回归分析的研究有很多，本文通过比较RepidMinerStudio软件中Linear Regression、Neural Net和Support Vector Machine这三种算法对于荒漠区植物对动物生物量影响的线性回归模型的应用，得出Support Vector Machine更加适合于荒漠区植物对动物生物量影响的线性回归模型的研究，通过十二组实验的对比，发现通过Support Vector Machine建立的线性回归模型的均方根误差普遍小于另外两个算法，因此对于此类问题的研究，在机器学习中优先选择Support Vector Machine算法。

有待深入研究的问题

首先，在研究不同干扰下植物生物量与动物生物量之间的变化关系时，我们可采用多元非线性回归对啮齿动物生物量与植物因子进行分析，寻找最合适的拟合方式。其次我们可以获取更多其他数据量，研究更多的环境因子如土壤气候等对群落稳定性的影响，让研究成果具有更为重要且实际的意义。最后，考虑不同植被对啮齿动物群落多样性的影响，我们应该搜集数据建立更完善的数学模型。