文档介绍：判别分析(discriminantanalysis)是多元统计分析中较为成熟的一种分类方法，它的核心思想是分类与判断”，即根据已知类别的样本所提供的信息，总结出分类的规律性，并建立好判别公式和判别准则，在此基础上，新的样本点将按照此准则判断
于训练样品后，出现了13个错判样品，%的准确度。
三、距离判别的R实现（测试样本）
接着，当我们获取到未分类的新样本数据时，使用wmd()函数，在训练样本的基础上进行这些数据的距离判别
导入数据，一共10个样本
data2<-('')
截取所需列数据
newtestdata<-data2[1:4]
进行判别分析
wmd(testdata,testdata_group,TstX=newtestdata)
**********
blong1111112221
根据马氏距离判别分析得到的结果，10个待判样品中，第一类7个，第二类3个。
距离判别方法简单实用，它只要求知道总体的数字特征，而不涉及总体
的分布，当总体均值和协方差未知时，就用样本的均值和协方差矩阵来
估计，因此距离判别没有考虑到每个总体出现的机会大小，即先验概率，
没有考虑到错判的损失。因此，我们进一步学****贝叶斯判别法。
一、贝叶斯判别基本理论
贝叶斯判别法的前提是假定我们已经对所要分析的数据有所了解(比如
数据服从什么分别，各个类别的先验概率等)，根据各个类别的先验概
率求得新样本属于某类的后验概率。该算法应用到经典的贝叶斯公式，
该公式为：
假设有两个总体G1和分别具有概率密度函数,11门和’府⑺，并且根
据以往的统计分析，两个总体各自出现的先验概率为班和先,当一个样
本事发生时，求该样本属于某一类的概率，计算公式为：
这样，我们得到了该样本属于两类总体的概率，分别为尸&1和巴公岛)，属于哪一类总体的概率值大，我们则将样本划分到该类中。
二、贝叶斯判别的R实现
在R中，我们使用klaR包中的NaiveBayes()函数实现贝叶斯判别分析,函数调用公式如下：
NaiveBayes(formula,data,...,subset,=)
formula指定参与模型计算的变量，以公式形式给出，类似于y=x1+x2+x3
，默认情况下不将缺失值纳入模型计算，也不会发生报错信息，当设为“”时则会删除含有缺失值的样本
数据准备，使用R内置数据集iris
通过抽样建立训练样本(70%)和测试样本(30%)
index<-sample(2,size=nrow(iris),replace=TRUE,prob=c(,))
train_data<-iris[index==1,]
test_data<-iris[index==2,]
载入所用包
library(klaR)
构建贝叶斯模型
Bayes_model<-NaiveBayes(Species〜.,data=train_data)
进行预测
Bayes_model_pre<-predict(Bayes_model,newdata=test_data[,1:4])
生成实际与预判交叉表
>table(test_data$Species,Bayes_model_pre$class)
setosaversicolorvirginica
setosa2000
versicolor0170
virginica037
从上表生成的交叉表中，我们可以看到在该模型中错判了3个。
#生成预判精度
>sum(diag(table(test_data$Species,Bayes_model_pre$class)))
+/sum(table(test_data$Species,Bayes_model_pre$class))
[1]
三、Fisher判别基本理论
Fisher判别法的基本思想是投影”，将K组尸维的数据向低维空间投影,使其投影的组与组之间的方差尽可能的大，组内的方差尽可能的小。因
此，Fisher判别法的重点就是选择适当的投影轴”。判别函数为什=心”,接下来我们以两类总体举例。
首先我们将样本点投影到一维空间，旋转坐标轴至总体单位尽可能分开
的方向，此时分类变量被简化为一个，判别函数履=。得；如果划分的效
果不理想，可以考虑投影到二维空间（
廿=以4+的的）,以此类推。
上图为二
维空间的Fisher判别，从图中可以看到，无论我们把总体3和0投影
到11还是北轴，都不能很好的把两类总体区分出来。