R中的线性判别分析中的分类函数

Question

在使用lda()完成R中的线性判别分析后，是否有一种方便的方法来提取每个组的classification functions？

从链接，

这些都不是与判别函数相混淆。分类函数可用于确定每种情况最可能属于哪个组。分组功能与分组功能一样多。每个函数允许我们，通过应用下面的公式来计算每一种情况下为每个组类别得分：

Si = ci + wi1*x1 + wi2*x2 + ... + wim*xm 

在该式中，下标i表示相应的基团;下标1,2，...，m表示m个变量; ci是第i组的常数，wij是计算第i组分类得分的第j个变量的权重; xj是第j个变量的相应情况的观测值。 Si是最终的分类分数。

我们可以使用分类函数直接计算一些新的观察分类分数。

我可以使用教科书公式从头开始构建它们，但需要重新构建lda分析中的一些中间步骤。是否有办法从lda对象中获取它们？

补充：

除非我还在误解的东西在布兰登的回答（！遗憾的混乱），看来答案是否定的。据推测大多数用户可以从predict()获得他们需要的信息，该信息根据lda()提供分类。

对于教育的原因，不是认真的研究需要更多的，我也希望看到实际的分类功能，并为后人下面是他们追加到lda()结果的函数：

ty.lda <- function(x, groups){ 
    x.lda <- lda(groups ~ ., as.data.frame(x)) 

    gr <- length(unique(groups)) ## groups might be factors or numeric 
    v <- ncol(x) ## variables 
    m <- x.lda$means ## group means 

    w <- array(NA, dim = c(v, v, gr)) 

    for(i in 1:gr){ 
    tmp <- scale(subset(x, groups == unique(groups)[i]), scale = FALSE) 
    w[,,i] <- t(tmp) %*% tmp 
    } 

    W <- w[,,1] 
    for(i in 2:gr) 
    W <- W + w[,,i] 

    V <- W/(nrow(x) - gr) 
    iV <- solve(V) 

    class.funs <- matrix(NA, nrow = v + 1, ncol = gr) 
    colnames(class.funs) <- paste("group", 1:gr, sep=".") 
    rownames(class.funs) <- c("constant", paste("var", 1:v, sep = ".")) 

    for(i in 1:gr) { 
    class.funs[1, i] <- -0.5 * t(m[i,]) %*% iV %*% (m[i,]) 
    class.funs[2:(v+1) ,i] <- iV %*% (m[i,]) 
    } 

    x.lda$class.funs <- class.funs 

    return(x.lda) 
} 

此代码如下公式在勒让德和勒让德数值生态学（1998年），625页，以及相匹配的工作例子的结果，从页面上626

Answer 1

假定x是你的LDA对象：

x$terms 

你可以看它有在对象峰值的结构：

str(x) 

更新：

Iris <- data.frame(rbind(iris3[,,1], iris3[,,2], iris3[,,3]),Sp = rep(c("s","c","v"), rep(50,3))) 
train <- sample(1:150, 75) 
table(Iris$Sp[train]) 
z <- lda(Sp ~ ., Iris, prior = c(1,1,1)/3, subset = train) 
predict(z, Iris[-train, ])$class 
str(z) 
List of 10 
$ prior : Named num [1:3] 0.333 0.333 0.333 
    ..- attr(*, "names")= chr [1:3] "c" "s" "v" 
$ counts : Named int [1:3] 30 25 20 
    ..- attr(*, "names")= chr [1:3] "c" "s" "v" 
$ means : num [1:3, 1:4] 6.03 5.02 6.72 2.81 3.43 ... 
    ..- attr(*, "dimnames")=List of 2 
    .. ..$ : chr [1:3] "c" "s" "v" 
    .. ..$ : chr [1:4] "Sepal.L." "Sepal.W." "Petal.L." "Petal.W." 
$ scaling: num [1:4, 1:2] 0.545 1.655 -1.609 -3.682 -0.443 ... 
    ..- attr(*, "dimnames")=List of 2 
    .. ..$ : chr [1:4] "Sepal.L." "Sepal.W." "Petal.L." "Petal.W." 
    .. ..$ : chr [1:2] "LD1" "LD2" 
$ lev : chr [1:3] "c" "s" "v" 
$ svd : num [1:2] 33.66 2.93 
$ N  : int 75 
$ call : language lda(formula = Sp ~ ., data = Iris, prior = c(1, 1, 1)/3, subset = train) 
$ terms :Classes 'terms', 'formula' length 3 Sp ~ Sepal.L. + Sepal.W. + Petal.L. + Petal.W. 
    .. ..- attr(*, "variables")= language list(Sp, Sepal.L., Sepal.W., Petal.L., Petal.W.) 
    .. ..- attr(*, "factors")= int [1:5, 1:4] 0 1 0 0 0 0 0 1 0 0 ... 
    .. .. ..- attr(*, "dimnames")=List of 2 
    .. .. .. ..$ : chr [1:5] "Sp" "Sepal.L." "Sepal.W." "Petal.L." ... 
    .. .. .. ..$ : chr [1:4] "Sepal.L." "Sepal.W." "Petal.L." "Petal.W." 
    .. ..- attr(*, "term.labels")= chr [1:4] "Sepal.L." "Sepal.W." "Petal.L." "Petal.W." 
    .. ..- attr(*, "order")= int [1:4] 1 1 1 1 
    .. ..- attr(*, "intercept")= int 1 
    .. ..- attr(*, "response")= int 1 
    .. ..- attr(*, ".Environment")=<environment: R_GlobalEnv 
    .. ..- attr(*, "predvars")= language list(Sp, Sepal.L., Sepal.W., Petal.L., Petal.W.) 
    .. ..- attr(*, "dataClasses")= Named chr [1:5] "factor" "numeric" "numeric" "numeric" ... 
    .. .. ..- attr(*, "names")= chr [1:5] "Sp" "Sepal.L." "Sepal.W." "Petal.L." ... 
$ xlevels: Named list() 
- attr(*, "class")= chr "lda" 

Answer 2

我觉得你的问题是有缺陷的......好吧，也许不是有缺陷的，但有些误导至少。判别函数是指组之间的距离，因此不存在与单个组相关的函数，而是描述任何两个组质心之间的距离的函数。我只是answered a more recent question，并放置了一个计算使用虹膜数据集的得分函数的例子，并使用它在第2个预测变量图中标记病例。在2组分析的情况下，一个组的功能将大于零，另一个组的功能将小于零。