library(MASS)
example(lda)
plot(z)
如何访问z中的所有点?我想知道沿着LD1和LD2取决于它们的Sp(c,s,v)的每个点的值。使用MASS观察LDA中线性判别式的访问分数:lda()
library(MASS)
example(lda)
plot(z)
如何访问z中的所有点?我想知道沿着LD1和LD2取决于它们的Sp(c,s,v)的每个点的值。使用MASS观察LDA中线性判别式的访问分数:lda()
您正在查找的是作为"lda"
(参见?predict.lda
)对象的predict()
方法的一部分计算得出的。它被返回作为由predict(z)
产生的对象的分量x
:
## follow example from ?lda
Iris <- data.frame(rbind(iris3[,,1], iris3[,,2], iris3[,,3]),
Sp = rep(c("s","c","v"), rep(50,3)))
set.seed(1) ## remove this line if you want it to be pseudo random
train <- sample(1:150, 75)
table(Iris$Sp[train])
## your answer may differ
## c s v
## 22 23 30
z <- lda(Sp ~ ., Iris, prior = c(1,1,1)/3, subset = train)
## get the whole prediction object
pred <- predict(z)
## show first few sample scores on LDs
head(z$x)
的最后一行示出了对象的分数的对线性判别式的前几行
> head(pred$x)
LD1 LD2
40 -8.334664 0.1348578
56 2.462821 -1.5758927
85 2.998319 -0.6648073
134 4.030165 -1.4724530
30 -7.511226 -0.6519301
131 6.779570 -0.8675742
这些得分可以被绘制,像这样
plot(LD2 ~ LD1, data = pred$x)
产生如下图(此训练样本!)
非常有用,然后很简单,我不能相信我以前没有见过。谢谢! –
当您调用功能plot(z)
时,您实际上正在调用功能plot.lda
- 这是一种S3方法。基本上,对象z
有lda
类:
class(z)
大家可以看一下正在使用的实际功能:
getS3method("plot", "lda")
这真可谓是相当复杂的。但关键点是:
x = z
Terms <- x$terms
data <- model.frame(x)
X <- model.matrix(delete.response(Terms), data)
g <- model.response(data)
xint <- match("(Intercept)", colnames(X), nomatch = 0L)
X <- X[, -xint, drop = FALSE]
means <- colMeans(x$means)
X <- scale(X, center = means, scale = FALSE) %*% x$scaling
我们不能情节像以前一样:
plot(X[,1], X[,2])
限制性条文有很可能是得到你想要的东西更简单的方法 - 我只是不知道lda
功能。
哇,谢谢!几乎看起来像魔术! –
+1,额外的神奇来源是这是在''lda''对象的'predict()'方法中完成的,然后是一些,因为它提供了几种不同的方法来生成预测。我在答复中提供了一个例子。 –
'预测' - 我应该猜到了。绝对是正确的选择。 – csgillespie
重新编辑标签:'lda'标签是由文本分析方法采用相同的首字母缩略词(LDA)作为线性判别分析。 –