多元统计分析：判别分析
简介
步骤
1. Fisher 判别（线性判别）
fd4 <- lda(G~x1+x2+x3+x4, d4_uni);fd4
print('------------------------------------')
predict(fd4)$class # 预测结果
print('------------------------------------')
ftab4 <- table(predict(fd4)$class, d4_uni$G);ftab4 # 判别矩阵
print('------------------------------------')
sum(diag(ftab4))/sum(ftab4) # 判对率
2. 非线性判别
qd4 <- qda(G~x1+x2+x3+x4,d4_uni) # 注意: 非线性判别使用 qda()，线性判别使用 lda()
qtab4 <- table(predict(qd4)$class, d4_uni$G);qtab4 # 判别矩阵
print('------------------------------------')
sum(diag(qtab4))/sum(qtab4) # 判对率
3. Bayes 判别
bd4 <- lda(G~x1+x2+x3+x4,d4_uni,prior=c(1,1)/2);bd4
print('------------------------------------')
btab4 <- table(predict(bd4)$class, d4_uni$G);btab4 # 判别矩阵
print('------------------------------------')
sum(diag(btab4))/sum(btab4) # 判对率
PS: Bayes 判别 也使用 lda() 函数，但需要给出先验概率。 在进行 Bayes判别时，假定各类协方差阵相同，此时判别函数为线性。 先验概率 相等的 Bayes判别模型 ，此时判别函数类似于 Fisher 线性判别函数
4. 预测
predict(fd4, newdata=data.frame(x1=78.3563,x2=0.8895,x3=1.8001,x4=14.1022))$class
predict(qd4, newdata=data.frame(x1=78.3563,x2=0.8895,x3=1.8001,x4=14.1022))$class
predict(bd4, newdata=data.frame(x1=78.3563,x2=0.8895,x3=1.8001,x4=14.1022))$class
案例
企业财务状况的判别分析
library(openxlsx)
Case6 = read.xlsx("../Res/mvcase5.xlsx", 'Case6');Case6
plot(Case6[,2:5], gap = 0)
library(MASS)
ld = lda(G~., data = Case6);ld # 线性判别
plot(ld)
Zld = predict(ld);Zld
data.frame(Case6$G, Zld$class, round(Zld$x, 3))
tab1 = table(Case6$G, Zld$class);tab1
sum(diag(tab1)) / sum(tab1)
addmargins(tab1)
qd = qda(G~., data = Case6);qd # 二次判别
Zqd = predict(qd);Zqd # 预测
data.frame(Case6$G, Zqd$class, round(Zqd$post, 3) * 100)
tab2 = table(Case6$G, Zqd$class);tab2 # 判对阵
sum(diag(tab2)) / sum(tab2) # 判对率
addmargins(tab2)
Q&A
补充
参考
- 本文作者： yiyun
- 本文链接： https://moeci.com/posts/分类-数据分析/分类-杂记/discriminant-analysis/
- 版权声明： 本博客所有文章除特别声明外，均采用 BY-NC-SA 许可协议。转载请注明出处！
本文参与 腾讯云自媒体同步曝光计划，分享自作者个人站点/博客。
原始发表：2020-12-04，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读
目录
腾讯云开发者
