返回R语言MASS包函数列表

线性判别分析。

lda(x, ...)

## S3 method for class 'formula'lda(formula, data, ..., subset, na.action)

## Default S3 method:lda(x, grouping, prior = proportions, tol = 1.0e-4, method, CV = FALSE, nu, ...)

## S3 method for class 'data.frame'lda(x, ...)

## S3 method for class 'matrix'lda(x, grouping, ..., subset, na.action)

formula : 群~x1+x2+形式的一个公式。。。也就是说，响应是分组因子，右侧指定（非因子）鉴别器。

data : 优先采用公式中规定的变量的数据框。

x : （如果没有给出公式作为主要参数，则为必选项。）包含解释变量的矩阵或数据框或矩阵。

grouping : （如果没有给出公式主参数，则必须输入。）指定每个观察值的类的因子。

prior : 类成员的先验概率。如果未指定，则使用训练集的类比例。如果存在概率，则应按照因子级别的顺序指定概率。

tol : 判断矩阵是否奇异的容差；它将拒绝方差小于的变量和单位方差变量的线性组合tol^2.

subset : 指定要在训练样本中使用的事例的索引向量(注意：如果给定，则必须命名此参数。）

na.action : 一个函数，用于指定在找到NAs时要采取的操作。默认操作是使过程失败。另一种方法是isna.omit，它会导致拒绝任何必需变量上缺少值的情况(注意：如果给定，则必须命名此参数。）

method : “矩”用于均值和方差的标准估计，“mle”用于MLEs，“mve”用于cov.mve，或“t”用于基于t分布的稳健估计。

CV : 如果为true，则返回结果（类和后验概率）以供遗漏交叉验证。请注意，如果先验是估计的，则使用整个数据集中的比例。

nu : 方法=“t”的自由度。

... : 传递给其他方法或从其他方法传递的参数。

Iris < - data.frame(rbind(iris3[,,1], iris3[,,2], iris3[,,3]), Sp = rep(c("s","c","v"), rep(50,3)))train < - sample(1:150, 75)table(Iris$Sp[train])## your answer may differ## c s v## 22 23 30z < - lda(Sp ~ ., Iris, prior = c(1,1,1)/3, subset = train)predict(z, Iris[-train, ])$class## [1] s s s s s s s s s s s s s s s s s s s s s s s s s s s c c c## [31] c c c c c c c v c c c c v c c c c c c c c c c c c v v v v v## [61] v v v v v v v v v v v v v v v(z1 < - update(z, . ~ . - Petal.W.))