R lda 线性判别分析

说明

线性判别分析。

用法

lda(x, ...)

## S3 method for class 'formula'
lda(formula, data, ..., subset, na.action)

## Default S3 method:
lda(x, grouping, prior = proportions, tol = 1.0e-4,
    method, CV = FALSE, nu, ...)

## S3 method for class 'data.frame'
lda(x, ...)

## S3 method for class 'matrix'
lda(x, grouping, ..., subset, na.action)

参数

formula	groups ~ x1 + x2 + ... 形式的公式即，响应是分组因子，右侧指定(非因子)鉴别器。
data	优先采用formula 中指定的变量的可选 DataFrame 、列表或环境。
x	(如果没有给出公式作为主要参数，则为必需。)包含解释变量的矩阵或 DataFrame 或矩阵。
grouping	(如果没有给出公式主参数，则为必需。)指定每个观察的类别的因子。
prior	类成员资格的先验概率。如果未指定，则使用训练集的类别比例。如果存在，则应按因子水平的顺序指定概率。
tol	决定矩阵是否奇异的容差；它将拒绝方差小于 tol^2 的变量和 unit-variance 变量的线性组合。
subset	指定训练样本中使用的案例的索引向量。 (注意：如果给出，则必须命名该参数。)
na.action	指定在找到 NA 时要采取的操作的函数。默认操作是过程失败。另一种方法是 na.omit ，这会导致拒绝任何所需变量缺失值的情况。 (注意：如果给出，则必须命名该参数。)
method	"moment" 用于均值和方差的标准估计，"mle" 用于 MLE，"mve" 用于使用 cov.mve ，或 "t" 用于基于 t 分布的稳健估计。
CV	如果为 true，则返回留一交叉验证的结果(类和后验概率)。请注意，如果估计先验，则使用整个数据集中的比例。
nu	method = "t" 的自由度。
...	传递给其他方法或从其他方法传递的参数。

细节

该函数尝试检测 within-class 协方差矩阵是否为奇异矩阵。如果任何变量的组内方差小于tol^2，它将停止并将该变量报告为常量。这可能是由于问题的扩展性较差造成的，但更可能是由于常量变量造成的。

指定 prior 将影响分类，除非 predict.lda 中的 over-ridden 。与大多数统计包不同，它还会影响线性判别式在其空间内的旋转，因为使用了加权组间协方差矩阵。因此，前几个线性判别式强调了具有先验给出的权重的组之间的差异，这可能与其在数据集中的普遍性不同。

如果提供的数据中缺少一个或多个组，则会将其删除并发出警告，但生成的分类是相对于原始级别集的。

值

如果 CV = TRUE 则返回值是一个包含组件 class 、MAP 分类(因子)和 posterior 、类的后验概率的列表。

否则它是类"lda"的对象，包含以下组件：

prior	使用的先验概率。
means	团体的意思。
scaling	将观察值转换为判别函数的矩阵，经过标准化，使得组内协方差矩阵是球形的。
svd	奇异值，给出线性判别变量的组间和组内标准差之比。它们的方格是规范的F-statistics。
N	使用的观察数。
call	(匹配的)函数调用。

注意

可以调用此函数，给出公式和可选 DataFrame ，或矩阵和分组因子作为前两个参数。所有其他参数都是可选的，但 subset= 和 na.action= (如果需要)必须完整命名。

如果给出一个公式作为主要参数，则可以使用 update() 以通常的方式修改该对象。

例子

Iris <- data.frame(rbind(iris3[,,1], iris3[,,2], iris3[,,3]),
                   Sp = rep(c("s","c","v"), rep(50,3)))
train <- sample(1:150, 75)
table(Iris$Sp[train])
## your answer may differ
##  c  s  v
## 22 23 30
z <- lda(Sp ~ ., Iris, prior = c(1,1,1)/3, subset = train)
predict(z, Iris[-train, ])$class
##  [1] s s s s s s s s s s s s s s s s s s s s s s s s s s s c c c
## [31] c c c c c c c v c c c c v c c c c c c c c c c c c v v v v v
## [61] v v v v v v v v v v v v v v v
(z1 <- update(z, . ~ . - Petal.W.))

参考

Venables, W. N. and Ripley, B. D. (2002) Modern Applied Statistics with S. Fourth edition. Springer.

Ripley, B. D. (1996) Pattern Recognition and Neural Networks. Cambridge University Press.

也可以看看

predict.lda , qda , predict.qda