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)

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.

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).
r: 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).

Author

Paulo Cesar Ossani

Marcelo Angelo Cirillo

References

Cook, D.; Lee, E. K.; Buja, A.; Wickmam, 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

data(iris) # conjunto de dados

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

class <- NA # classe dos dados

findex <- "kurtosismax" # funcao indice

dim <- 1 # dimensao da projecao dos dados

sphere <- TRUE # Dados esfericos

res <- PP_Optimizer(data = data, class = class, findex = findex,
                    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 = findex,
                    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

Run the code above in your browser using DataLab