本文介绍线性判别分析概念，并通过示例介绍R的实现过程。
介绍线性判别分析模型
线性判别分析用于基于一组变量把响应变量分为俩类或更多的算法。但线性判别算法对数据有一些要求：
-
响应变量必须是类别变量。线性判别是分类算法，因此响应变量应该是类别变量。
-
预测变量应遵循正太分布。首先检查每个预测变量是否大致符合正太分布，如果不满足，需要选择转换算法使其近似满足。
-
每个预测变量有相同的标准差。现实中很难能够满足该条件，但我们可以对数据进行标准化，让变量统一为标准差为1，均值为0.
-
检查异常值。在用于LDA之前要检查异常值。可以简单通过箱线图或散点图查进行检测。
LDA模型在现实中应用广泛，下面简单举例：
- 市场营销
零售公司经常使用LDA将购物者分为几类。然后利用建立LDA模型来预测特定购物者是低消费者、中等消费者还是高消费者，使用预测变量如收入、年度总消费额和家庭人数等变量。
- 医学领域
医院或医疗机构的研究人员通常利用LDA预测给定一组异常细胞是否会导致轻微、中度或严重疾病。
- 产品研发
一些公司会利用LDA模型预测消费者属于每天、每周、每月或年使用他们的产品，基于预测变量有性别、年度收入、使用类似产品的频率。
- 生态领域
研究者利用LDA模型预测是否给定珊瑚礁的健康状况：好、中等、坏、严重。预测变量包括大小、年度污染情况、年份。
加载实现库
library(MASS)
library(ggplot2)
载入数据
我们打算使用内置的iris数据，下面代码展示如何载入查看数据。
str(iris)
# 'data.frame': 150 obs. of 5 variables:
# $ Sepal.Length: num 5.1 4.9 4.7 4.6 5 5.4 4.6 5 4.4 4.9 ...
# $ Sepal.Width : num 3.5 3 3.2 3.1 3.6 3.9 3.4 3.4 2.9 3.1 ...
# $ Petal.Length: num 1.4 1.4 1.3 1.5 1.4 1.7 1.4 1.5 1.4 1.5 ...
# $ Petal.Width : num 0.2 0.2 0.2 0.2 0.2 0.4 0.3 0.2 0.2 0.1 ...
# $ Species : Factor w/ 3 levels "setosa","versicolor",..: 1 1 1 1 1 1 1 1 1 1 ...
我们看到共包括5个变量150个观察记录。下面通过线性判别分析模型对给定鸢尾花进行分类。
我们使用下面四个预测变量：
- Sepal.length
- Sepal.Width
- Petal.Length
- Petal.Width
预测响应变量为Species，分别包括三类：
- setosa
- versicolor
- virginica
数据标准化
线性判别算法其中一个关键假设为每个预测变量具有相同的标准差。一种简单办法可以对预测变量进行标准化，这样预测变量统一为均值为0、方差为1。
我们使用内置的scale函数，并利用apply函数进行验证：
iris[1:4] <- scale(iris[1:4])
apply(iris[1:4], 2, mean)
# Sepal.Length Sepal.Width Petal.Length Petal.Width
# -3.219358e-18 -4.916405e-18 -1.440616e-17 -1.822508e-17
apply(iris[1:4], 2, sd)
# Sepal.Length Sepal.Width Petal.Length Petal.Width
# 1 1 1 1
创建训练和测试数据集
接下来我们把数据分为训练集和测试集：
set.seed(1)
sample <- sample(c(TRUE, FALSE), nrow(iris), replace = TRUE, prob = c(.7, .3))
train <- iris[sample, ]
test <- iris[!sample,]
拟合LDA模型
下面我们利用MASS包中的lda函数实现LDA模型：
library(MASS)
model <- lda(Species~., data=train)
model
# Call:
# lda(Species ~ ., data = train)
#
# Prior probabilities of groups:
# setosa versicolor virginica
# 0.3207547 0.3207547 0.3584906
#
# Group means:
# Sepal.Length Sepal.Width Petal.Length Petal.Width
# setosa -1.0397484 0.8131654 -1.2891006 -1.2570316
# versicolor 0.1820921 -0.6038909 0.3403524 0.2208153
# virginica 0.9582674 -0.1919146 1.0389776 1.1229172
#
# Coefficients of linear discriminants:
# LD1 LD2
# Sepal.Length 0.7922820 0.5294210
# Sepal.Width 0.5710586 0.7130743
# Petal.Length -4.0762061 -2.7305131
# Petal.Width -2.0602181 2.6326229
#
# Proportion of trace:
# LD1 LD2
# 0.9921 0.0079
下面我们解释上面的输出：
- 每组的先验概率
这些表示训练集数据中每组的概率。如：所有训练集中35.8%的观测值属于virginica类别。
- 组均值
这些数据显示每类每个预测变量的均值。
- 线性判别系数
这里展示了LDA模型的判别规则，每个预测变量的线性组合情况：
- LD1: .792Sepal.Length + .571Sepal.Width – 4.076Petal.Length – 2.06Petal.Width
- LD2: .529Sepal.Length + .713Sepal.Width – 2.731Petal.Length + 2.63Petal.Width
- 分离百分比
这些展示了每个线性判别函数实现的分离百分比。
使用模型进行预测
我们已经使用训练数据拟合了模型，下面使用模型对测试数据进行预测：
predicted <- predict(model, test)
names(predicted)
head(predicted$class)
# [1] setosa setosa setosa setosa setosa setosa
# Levels: setosa versicolor virginica
head(predicted$posterior)
# setosa versicolor virginica
# 4 1 2.425563e-17 1.341984e-35
# 6 1 1.400976e-21 4.482684e-40
# 7 1 3.345770e-19 1.511748e-37
# 15 1 6.389105e-31 7.361660e-53
# 17 1 1.193282e-25 2.238696e-45
# 18 1 6.445594e-22 4.894053e-41
head(predicted$x)
# LD1 LD2
# 4 7.150360 -0.7177382
# 6 7.961538 1.4839408
# 7 7.504033 0.2731178
# 15 10.170378 1.9859027
# 17 8.885168 2.1026494
# 18 8.113443 0.7563902
我们看到输出列表中包括三个变量：
- class 预测类型
- posterior 每个类别对应的后验概率
- x 线性判别
下面我们来看LDA模型正确预测类型的百分比：
mean(predicted$class == test$Species)
# [1] 1
输出显示模型预测正确率100%。在现实世界中模型很少能够预测每个类别都完全正确，因内置iris数据集比较简单，预测结果比较好。
可视化结果
最后，我们创建LDA图形观察线性判别模型，通过图示方式展示三种类型区分情况：
library(ggplot2)
lda_plot <- cbind(train, predict(model)$x)
ggplot(lda_plot, aes(LD1, LD2)) + geom_point(aes(color=Species))
本文参考链接：https://blog.csdn.net/neweastsun/article/details/122501074
