fisher线性判别_线性判别，ggplot2 , rayshader

正好最近可能会用到判别分析，就分享一下

判别分析分为fisher判别（基于统计），和贝叶斯判别（基于概率）

这里分享一下用r做fisher判别里面关于两组之间的判别。

用的也是王斌会老师教材上的案例，

这里也用到ggplot2,还用到一个蛮好玩的包rayshader，大家可以去摸索一下

#第二个图
library(rayshader)
library(ggplot2)
library(MASS)
data_w<-read.csv("weather.csv")
View(data_w)

p<-ggplot(data_w,aes(x1,x2,colour=rain.or.sun))
p1<-p+xlim(-15,15)+ylim(-15,15)+
  geom_point()
p1+scale_colour_continuous(breaks=c(0,1),labels=c("雨","晴"),name="晴或雨")+
   theme_grey(base_family = "STKaiti")

plot_gg(p1)

这里就展现一下rayshader的功能，因为它必须用连续变量。

https://www.zhihu.com/video/1229438168077774848

当然还是回到正常

p<-ggplot(data_w1,aes(x1,x2,colour=rain.or.not))
p1<-p+xlim(-15,15)+ylim(-15,15)+
  geom_point()
p1
p2<-p1+scale_colour_discrete(labels=c("雨","晴"),name="晴或雨")+
  theme_grey(base_family = "STKaiti")+
  ggtitle("天气状况")+
  theme(plot.title = element_text(hjust = 0.5))
p2

从图中，我们也可以大致进行分组哈，

线性判别的思想也是降维，用变量的最优的线性组合使得组间的距离最大，

ld<-lda(rain.or.not~x1+x2,data = data_w1)
ld

z<-predict(ld)
rain.or.not_pridict<-z$class
rain.or.not<-data_w1$rain.or.not
compare<-cbind(rain.or.not,z$x,rain.or.not_pridict)
compare

tab<-table(rain.or.not,rain.or.not_pridict)
sum(diag(prop.table(tab)))

最后两个数字就是x1,x2前的系数，我们把上面组内的均值带入，可以算出界值大约是1.2。

可以看到实际分组和预测分组

得到预测的准确性 这里是90%

说实话，我没有看懂lda函数里面给出的LD1那一列到底是什么意思（就是下面这个图中间这一列），谁知道？希望告知。

谢谢

ps：如果有人需要王斌会老师书的pdf，也可以找我。