某企生产的产品，其造型、性能和价位及所属级别数据如下表所示：
某企业产品的造型、性能、价位、级别等指标
题目来自《多元统计分析-基于R》课后习题
下面分别用Fisher判别法和Bayes判别法进行判别分析。
先进性Fisher判别，R程序如下：
#Fisher判别
ex5.3<-read.csv("ex5.3.csv",header = T)
ex5.3
library(MASS) #加载MASS程序包，以便使用其中lda函数
ld=lda(G~x1+x2+x3,data=ex5.3)
ld运行结果如下：
程序输出了lda（）所用的函数，各组的先验概率，各组的均值向量，第一及第二判别函数的系数
，两个判别2函数对判别的贡献大小。
下面我们用predict()函数对原始数据进行回判，将lda()函数的分类与原数据分类进行对比，考察误差的大小，R程序如下：
Z=predict(ld)
Z
newG=Z$class
cbind(G=ex5.3[,4],newG,Z$post)运行结果如下：
运行结果G列表示原始数据分类，newG表示回判分类，，后三列给出了每个样本判如每个类的后验概率。Fisher判别法把样本判如后验概率最大的那一类，这也是3、6、8、13误判的原因。
若需要进一步判别两个新产品的类别，它们的指标分别为(17,46,79),(77,54,84),利用predict()函数对它们进行判别，R程序如下：
newdata=data.frame(x1=c(17,77),x2=c(46,54),x3=c(79,84))
(predict(ld,newdata))运行结果如下：
判别结果表明，这两个产品分别被判入了第一类和第二类。
下面进行Bayes判别，R程序如下：
ex5.3<-read.csv("ex5.3.csv",header = T)
attach(ex5.3)
library(MASS) #加载MASS程序包，以便使用其中lda函数
ld=lda(G~x1+x2+x3,prior=c(5,9)/14) #用先验概率进行判别
ld运行结果如下：
再用predict进行回判，并且与原始数据分类对比：
Z=predict(ld)
newG=Z$class
cbind(G,newG,Z$post,Z$x)运行结果如下：
运行结果表明，第3、6、8、13组样本被误判 ，若需要进一步判别两个新产品的类别，它们的指标分别为(17,46,79),(77,54,84),利用predict()函数对它们进行判别，R程序如下
若需要进一步判别两个新产品的类别，它们的指标分别为(17,46,79),(77,54,84),利用predict()函数对它们进行判别，R程序如下运行结果如下：
两个新产品分别被判如第一类和第三类，第二个产品的判别结果与Fisher判别的判别结果不同。
下面式距离判别案例
根据经验今天和昨天的湿温差x1和气温差x2是预报明天下雨或者不下雨的重要因子，根据下表数据用距离判别法进行判别：
R程序如下：
# 距离判别
setwd("D:/学习资料/R软件/多元统计分析 基于R》 14797268/多元统计分析——基于R(第2版) R-data")
ex5.2<-read.csv("ex5.2.csv",header = T)
classG1=ex5.2[1:10,2:3]
classG2=ex5.2[11:17,2:3]
newdata=ex5.3[1:20,2:3]
#进行距离判别
source("DDA2.R") #载入自编程序DDA2.R
DDA2(classG1,classG2)运行结果如下：
下面对newdata进行判定，R程序如下：
#进行距离判别
source("DDA2.R") #载入自编程序DDA2.R
DDA2(classG1,classG2,newdata)
运行结果如下：
第18，19，20号样本都被分入第二类，与原始数据分类一致。文章来源：https://www.toymoban.com/news/detail-453595.html
附录：DDA2.R程序文章来源地址https://www.toymoban.com/news/detail-453595.html
DDA2<-function (TrnG1, TrnG2, TstG = NULL, var.equal = FALSE){
if (is.null(TstG) == TRUE) TstG<-rbind(TrnG1,TrnG2)
if (is.vector(TstG) == TRUE) TstG<-t(as.matrix(TstG)) else if (is.matrix(TstG) != TRUE)
TstG<-as.matrix(TstG)
if (is.matrix(TrnG1) != TRUE) TrnG1<-as.matrix(TrnG1)
if (is.matrix(TrnG2) != TRUE) TrnG2<-as.matrix(TrnG2);
nx<-nrow(TstG)
blong<-matrix(rep(0, nx), nrow=1, byrow=TRUE, dimnames=list("blong", 1:nx))
mu1<-colMeans(TrnG1); mu2<-colMeans(TrnG2)
if (var.equal == TRUE || var.equal == T){
S<-var(rbind(TrnG1,TrnG2))
w<-mahalanobis(TstG, mu2, S)-mahalanobis(TstG, mu1, S)
} else{
S1<-var(TrnG1); S2<-var(TrnG2)
w<-mahalanobis(TstG, mu2, S2)-mahalanobis(TstG, mu1, S1)
}
for (i in 1:nx){if (w[i]>0) blong[i]<-1 else blong[i]<-2}; blong
}
到了这里，关于判别分析之Fisher判别、Bayes判别、距离判别的R实现案例的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
