R predict.lda 通过线性判别对多变量观测值进行分类

说明

结合 lda 对多变量观察结果进行分类，并将数据投影到线性判别式上。

用法

## S3 method for class 'lda'
predict(object, newdata, prior = object$prior, dimen,
        method = c("plug-in", "predictive", "debiased"), ...)

参数

object	类"lda"的对象
newdata	要分类的案例的 DataFrame ，或者，如果 object 有公式，则为 DataFrame ，其列与所使用的变量同名。向量将被解释为行向量。如果缺少 newdata，将尝试检索用于适合 lda 对象的数据。
prior	类的先验概率，默认情况下是训练集中的比例或在 lda 调用中设置的内容。
dimen	要使用的空间的尺寸。如果小于 min(p, ng-1) ，则仅使用第一个 dimen 判别分量(method="predictive" 除外)，并且仅在 x 中返回这些维度。
method	这决定了如何处理参数估计。对于"plug-in"(默认值)，使用通常的无偏参数估计并假设是正确的。对于"debiased"，使用对数后验概率的无偏估计器，对于"predictive"，使用模糊先验对参数估计进行积分。
...	基于其他方法或基于其他方法的参数

细节

此函数是类 "lda" 的通用函数 predict() 的方法。可以通过为适当类的对象 x 调用 predict(x) 来调用它，也可以直接通过调用 predict.lda(x) 来调用它，而不管对象的类如何。

如果无法计算线性判别式，则通过返回 NA 来处理 newdata 中的缺失值。如果newdata 被省略，并且na.action 的拟合被省略，则这些将在预测中被省略。

此版本将线性判别式居中，以便组质心的加权平均值(由 prior 加权)位于原点。

值

包含组件的列表

class	MAP 分类(一个因子)
posterior	类别的后验概率
x	最多 dimen 判别变量的测试用例分数

例子

tr <- sample(1:50, 25)
train <- rbind(iris3[tr,,1], iris3[tr,,2], iris3[tr,,3])
test <- rbind(iris3[-tr,,1], iris3[-tr,,2], iris3[-tr,,3])
cl <- factor(c(rep("s",25), rep("c",25), rep("v",25)))
z <- lda(train, cl)
predict(z, test)$class

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

lda , qda , predict.qda