技術標籤：r語言

**實驗目的：瞭解Fisher判別的原理，明白R語言實現Fisher判別的函式
瞭解Bayes判別的原理，明白R語言實現Bayes判別的函式
實驗要求： 5.4
實驗素材：在我的資源中ex.5.4

實驗程式碼：**

1、讀取資料並檢視資料
> d5.4<-read.table("clipboard",header=T)
> d5.4
   X.編號 類別  x1  x2  x3  x4 x5   x6  x7
1       1    1 6.6  39 1.0 6.0  6 0.12  20
2       2    1 6.6  39
 
 1.0 6.0 12 0.12  20
3       3    1 6.1  47 1.0 6.0  6 0.08  12
4       4    1 6.1  47 1.0 6.0 12 0.08  12
5       5    1 8.4  32 2.0 7.5 19 0.35  75
。。。。
26     26    2 8.4 113 3.5 4.5  6 0.15  75
27     27    2 8.4 113 3.5 4.5  8 0.15  75
28     28    2 7.5  52 1.0 6.0  6 0.16  40
29     29    2 7.5  52 1.0 7.5  8 0.16
 
  40
30     30    2 8.3  97 0.0 6.0  5 0.15 180
31     31    2 8.3  97 2.5 6.0  5 0.15 180
32     32    2 8.3  89 0.0 6.0 10 0.16 180
33     33    2 8.3  56 1.5 6.0 13 0.25 180
34     34    2 7.8 172 1.0 3.5  6 0.21  45
35     35    2 7.8 283 1.0 4.5  6 0.18  45

> attach(d5.4)
> library(MASS)
> ld=lda(類別~x1+x2+x3+
 
x4+x5+x6+x7)
> ld
Call:
lda(類別 ~ x1 + x2 + x3 + x4 + x5 + x6 + x7)

Prior probabilities of groups:
        1         2 
0.3428571 0.6571429 

Group means:
        x1       x2       x3      x4        x5        x6       x7
1 7.358333 73.66667 1.458333 6.00000 15.250000 0.1716667 49.50000
2 7.686957 69.60870 2.043478 5.23913  6.347826 0.2156522 70.34783

Coefficients of linear discriminants:
            LD1
x1 -0.245649826
x2  0.001254551
x3  0.213249345
x4 -0.189501453
x5 -0.194515201
x6  8.912500028
x7  0.019583827

> Z=predict(ld)
> newG=Z$class
> cbind(類別,newG,Z$post)
   類別 newG            1            2
1     1    1 0.6998386390 3.001614e-01
2     1    1 0.9822812090 1.771879e-02
3     1    1 0.8675068027 1.324932e-01


9     1    2 0.2134025513 7.865974e-01


29    2    1 0.7683764250 2.316236e-01


33    2    2 0.0017907272 9.982093e-01
34    2    2 0.0266095311 9.733905e-01
35    2    2 0.0608161998 9.391838e-01

這裡“類別”為原始類別，newG為回判類別，後兩列給出了每個樣品判入每個類的後驗概率。顯然，回判時Fisher判別法把每個樣品判入後驗概率最大的那一類。這恰好說明了9號，29號兩個樣品產生錯判的原因，

	> tab=table(newG,類別)
> tab
    類別
newG  1   2
    1  11  1
    2  1  22

由結果可以看出，對35個原始資料的預測中，只有2個判別錯誤，誤判率為5%