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