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)

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.

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.

Author

Paulo Cesar Ossani

Marcelo Angelo Cirillo

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

Run this code

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

Run the code above in your browser using DataLab