PP_Optimizer: Funcao de otimizacao dos indices da projection pursuit (busca de projecao).

Description

Funcao de otimizacao dos indices da projection pursuit (busca de projecao).

Usage

PP_Optimizer(data, class = NA, findex = "HOLES",   
             dimproj = 2, sphere = TRUE, optmethod = "GTSA",   
             weight = TRUE, lambda = 0.1, r = 1, cooling = 0.9,  
             eps = 1e-3, maxiter = 3000, half = 30)

Arguments

data

Conjunto de dados numericos sem a informacao das classes.

class

Vetor com os nomes das classes dos dados.

findex

Funcao indice de projecao a ser usada: "lda" - Indice LDA, "pda" - Indice PDA, "lr" - Indice Lr, "holes" - Indice holes (default), "cm" - Indice massa central, "pca" - Indice PCA, "friedmantukey" - Indice Friedman Tukey, "entropy" - Indice entropia, "legendre" - Indice Legendre, "laguerrefourier" - Indice Laguerre Fourier, "hermite" - Indice Hermite, "naturalhermite" - Indice Hermite natural, "kurtosismax" - Indice curtose maxima, "kurtosismin" - Indice curtose minima, "moment" - Indice momento, "mf" - Indice MF, "chi" - Indice qui-quadrado.

dimproj

Dimensao para a projecao dos dados (default = 2).

sphere

Dados esfericos (default = TRUE).

optmethod

Metodo de otimizacao GTSA - Grand Tour Simulated Annealing ou SA - Simulated Annealing (default = "GTSA").

weight

Usado nos indice LDA, PDA e Lr, para ponderar os calculos pelo numero de elementos em cada classe (default = TRUE).

lambda

Usado no indice PDA (default = 0.1).

Usado no indice Lr (default = 1).

cooling

Taxa de arrefecimento (default = 0.9).

eps

Precisao de aproximacao para cooling (default = 1e-3).

maxiter

Numero maximo de iteracoes do algoritmo (default = 3000).

half

Numero de etapas sem incrementar o indice, para em seguida diminuir o valor do cooling (default = 30).

Value

num.class

Numero de classes.

class.names

Nomes das classes.

proj.data

Dados projetados.

vector.opt

Vetores de projecao encontrados.

index

Vetor com os indices de projecao encontrados no processo, convergindo para o maximo, ou o minimo.

findex

Funcao indice de projecao usada.

References

COOK, D., LEE, E. K., BUJA, A., WICKHAM, H.. Grand tours, projection pursuit guided tours and manual controls. In Chen, Chunhouh, Hardle, Wolfgang, Unwin, e Antony (Eds.), Handbook of data Visualization, Springer Handbooks of Computational Statistics, chapter III.2, p. 295-314. Springer, 2008.

LEE, E., COOK, D., KLINKE, S., LUMLEY, T.. Projection pursuit for exploratory supervised classification. Journal of Computational and Graphical Statistics, 14(4):831-846, 2005.

Examples

Run this code

# NOT RUN {
data(iris) # conjunto de dados

# Exemplo 1 - Sem as classes nos dados
data <- iris[,1:4]

class <- NA # classe dos dados

Fcindex <- "kurtosismax" # funcao indice

Dim <- 1 # dimensao da projecao dos dados

sphere <- TRUE # Dados esfericos

Res <- PP_Optimizer(data = data, class = class, findex = Fcindex,
                    optmethod = "GTSA", dimproj = Dim, sphere = sphere, 
                    weight = TRUE, lambda = 0.1, r = 1, cooling = 0.9, 
                    eps = 1e-3, maxiter = 1000, half = 30)
 
print("Numero de classes:"); Res$num.class
print("Nomes das classes:"); Res$class.names
print("Funcao indice de projecao:"); Res$findex
print("Dados projetados:"); Res$proj.data
print("Vetores de projecao:"); Res$vector.opt
print("Indices de projecao:"); Res$index


# Exemplo 2 - Com as classes nos dados
class <- iris[,5] # classe dos dados

Res <- PP_Optimizer(data = data, class = class, findex = Fcindex,
                    optmethod = "GTSA", dimproj = Dim, sphere = sphere, 
                    weight = TRUE, lambda = 0.1, r = 1, cooling = 0.9, 
                    eps = 1e-3, maxiter = 1000, half = 30)

print("Numero de classes:"); Res$num.class
print("Nomes das classes:"); Res$class.names
print("Funcao indice de projecao:"); Res$findex
print("Dados projetados:"); Res$proj.data
print("Vetores de projecao:"); Res$vector.opt
print("Indices de projecao:"); Res$index
# }