MVar.pt (version 2.1.1)

DA: Analise discriminante linear (LDA) e quadratica (QDA).

Description

Realiza analise discriminante linear e quadratica.

Usage

DA(data, class = NA, type = "lda", validation = "Learning", 
   method = "moment", prior = NA, testing = NA)

Arguments

data

Dados a serem a classificados.

class

Vetor com os nomes das classes dos dados.

type

"lda": analise discriminante linear (default), ou "qda": analise discriminante quadratica.

validation

Tipo de validacao: "Learning" - treinamento dos dados (default), ou "testing" - classifica os dados do vetor "testing".

method

Metodo de classificacao: "mle" para MLEs, "mve" para usar cov.mv, "moment" (default) para estimadores padrao da media e variancia, ou "t" para estimativas robustas baseadas em uma distribuicao t.

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.

Value

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.

References

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.

Examples

# NOT RUN {
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
# }