DA {MVar.pt} | R Documentation |
Realiza analise discriminante linear e quadratica.
DA(data, class = NA, type = "lda", validation = "Learning", method = "moment", prior = NA, testing = NA)
data |
Dados a serem a classificados. |
class |
Vetor com os nomes das classes dos dados. |
type |
"lda": analise discriminante linear (default), ou |
validation |
Tipo de validacao: |
method |
Metodo de classificacao: |
prior |
Probabilidades de ocorrencia das classes. Se nao especificado, tomara as proporcoes das classes. Se especificado, as probabilidades devem seguir a ordem dos niveis dos fatores. |
testing |
Vetor com os indices que serao utilizados em data como teste. Para validation = "Learning", tem-se testing = NA. |
confusion |
Tabela de confusao. |
error.rate |
Proporcao global de erro. |
prior |
Probabilidade das classes. |
type |
Tipo de analise discriminante. |
validation |
Tipo de validacao. |
num.class |
Numero de classes. |
class.names |
Nomes das classes |
method |
Metodo de classificacao. |
num.correct |
Numero de observacoes corretas. |
results |
Matriz com resultados comparativos das classificacoes. |
Paulo Cesar Ossani
Marcelo Angelo Cirillo
FERREIRA, D. F. Estatistica Multivariada. 2a ed. revisada e ampliada. Lavras: Editora UFLA, 2011. 676 p.
MINGOTI, S. A. Analise de dados atraves de metodos de estatistica multivariada: uma abordagem aplicada. Belo Horizonte: UFMG, 2005. 297 p.
RENCHER, A. C. Methods of multivariate analysis. 2th. ed. New York: J.Wiley, 2002. 708 p.
RIPLEY, B. D. Pattern Recognition and Neural Networks. Cambridge University Press, 1996.
VENABLESs, W. N. and RIPLEY, B. D. Modern Applied Statistics with S. Fourth edition. Springer, 2002.
data(iris) # conjunto de dados data = iris[,1:4] # dados a serem classificados class = iris[,5] # classe dos dados prior = c(1,1,1)/3 # probabilidade a priori das classes Res <- DA(data, class, type = "lda", validation = "Learning", method = "mle", prior = prior, testing = NA) print("Tabela de confusao:"); Res$confusion print("Proporcao global de acerto:"); 1 - Res$error.rate print("Probabilidade das classes:"); Res$prior print("Metodo de classificacao:"); Res$method print("Tipo analise discriminante:"); Res$type print("Nomes das classes:"); Res$class.names print("Numero de classes:"); Res$num.class print("Tipo de validacao:"); Res$validation print("Numero de observacoes corretas:"); Res$num.correct print("Matriz com os resultados da classificacao:"); Res$results ### validacao cruzada ### amostra = sample(2, nrow(data), replace = TRUE, prob = c(0.7,0.3)) datatrain = data[amostra == 1,] # dados para treino datatest = data[amostra == 2,] # dados para teste dim(datatrain) # dimensao dados treino dim(datatest) # dimensao dados teste testing = as.integer(rownames(datatest)) # indice dos dados teste Res <- DA(data, class, type = "qda", validation = "testing", method = "moment", prior = NA, testing = testing) print("Tabela de confusao:"); Res$confusion print("Proporcao global de acerto:"); 1 - Res$error.rate print("Numero de observacoes corretas:"); Res$num.correct print("Matriz com os resultados da classificacao:"); Res$results