Click here to load reader
Upload
tatiana-serrano
View
213
Download
0
Embed Size (px)
Citation preview
8/17/2019 ejemplo r
http://slidepdf.com/reader/full/ejemplo-r 1/4
8/17/2019 ejemplo r
http://slidepdf.com/reader/full/ejemplo-r 2/4
Se+al$.engt/ 7"$324,55 "$"2'1"21!
Se+al$0idt/ 71$!,''5,1 2$1'!212,
*etal$.engt/ 2$2"12115 7"$4,142121
*etal$0idt/ 2$31"'", 2$3,41353!
*ro+ortion of trace&
.61 .62
"$4412 "$""33
omo vemos, la unci"n nos devuelve las probabilidades a priori de los %rupos, que las
calcula utilizando la proporci"n de elementos de cada clase (en este caso, 50 por clase,
de un total de 150, hacen 50150 2 13 2 0.3333333).
Lue%o calcula la media de cada %rupo, que dar*a la descripci"n media de la lor t*pica
de cada %rupo. Los coeicientes de los discriminantes lineales se usan por la unci"n
para decidir a qu clase pertenece cada ejemplar de lor. las !ltimas medidas dan
una idea de la importancia de cada eje discriminante. l ser L1 mucho mayor que L6,y casi cercano a 1, esto quiere decir que las lores se pueden clasiicar muy bien utilizando
un solo eje discriminante.
hora lo repetimos y %uardamos el resultado bajo un nombre (iris.lda) para poder accederlo
posteriormente7
> iris$lda lda(clase$%datos)
> attributes(iris$lda) # cosas que deuele la función
8names
[1 9+rior9 9counts9 9means9 9scaling9 9le9 9sd9 9:9
[3 9call9 9terms9 9;leels9
8class
[1 9lda9
> iris$lda8+rior # Asi +odemos er%+or ejem+lo%las +robabilidades a +riori
setosa ersicolor irginica
"$,,,,,,, "$,,,,,,, "$,,,,,,,
> +redict(iris$lda%iris[1&'% )8class # +redecimos +or ejem+lo% la clase
[1 setosa setosa setosa setosa # de las cuatro +rimeras flores.eels& setosa ersicolor irginica
8al clase resulta ser setosa, lo cual es correcto. &ara ver c"mo de correctas ueron
las predicciones, podemos hacer una tabla cruzando las verdaderas clases con las
predicciones7
> table(iris[%!%+redict(iris$lda%iris[%1&')8class)
setosa ersicolor irginica
setosa !" " "
8/17/2019 ejemplo r
http://slidepdf.com/reader/full/ejemplo-r 3/4
ersicolor " '3 2
irginica " 1 '4
omo podemos ver, el clasiicador ha cometido tan s"lo 3 errores7
dos datos de la clase versicolor han sido asi%nados a vir%inica, y un
dato de vir%inica a versicolor. En la clase setosa no ha habido errores.
9tra manera alternativa de proporcionar el conjunto de datos a la unci"n lda
podr*a ser7
> es+ecies iris[%!
> lda(iris[%1&'%es+ecies)
Call&
lda$data$frame(iris[% 1&'% es+ecies)
*rior +robabilities of grou+s&setosa ersicolor irginica
"$,,,,,,, "$,,,,,,, "$,,,,,,,
-rou+ means&
Se+al$.engt/ Se+al$0idt/ *etal$.engt/ *etal$0idt/
setosa !$"" ,$'23 1$'2 "$2'
ersicolor !$4, 2$55" '$2" 1$,2
irginica $!33 2$45' !$!!2 2$"2
Coefficients of linear discriminants&
.61 .62
Se+al$.engt/ 7"$324,55 "$"2'1"21!
Se+al$0idt/ 71$!,''5,1 2$1'!212,
*etal$.engt/ 2$2"12115 7"$4,142121
*etal$0idt/ 2$31"'", 2$3,41353!
*ro+ortion of trace&
.61 .62
"$4412 "$""33
&ara dibujar la proyecci"n del conjunto de datos (que es de dimensi"n 4) sobre
los dos primeros ejes discriminantes7
> iris$+roy +redict(iris$lda%iris[%1&')8;
> +lot(iris$+roy)
> +lot(iris$+roy%ty+e9n9)
> te;t(iris$+roy%labelses+ecies)
8/17/2019 ejemplo r
http://slidepdf.com/reader/full/ejemplo-r 4/4