Download
1 / 22
220 likes | 340 Vues
ANÁLISE DISCRIMINANTE. LIG, 18 de novembro de 2008. Exemplo para gerar amostras de treinamento e de validação: predição, estimação do valor esperado da taxa de erro real.
E N D
ANÁLISE DISCRIMINANTE LIG, 18 de novembro de 2008
Exemplo para gerar amostras de treinamento e de validação: predição, estimação do valor esperado da taxa de erro real • Voltemos aos dados trabalhados na aula anterior, gerados de duas normais bivariadas com covariâncias desiguais. São 100 observações, sendo 50 de cada população “A” ou “B”. • Nesse primeiro caso, vamos selecionar uma amostra de tamanho 80 dessas sem observações para gerar a regra de classificação e, depois, • Vamos validá-la com a amostra restante, que será a amostra de validação.
Comandos • tr=sample(1:100,80) • Esse comando faz com que tr receba 80 índices escolhidos de forma aleatória entre os índices de 1 a 100 (sem repetição). • Faça então: • train=dadoq[tr,] e test=dadoq[-tr,] • Esses comandos fazem com quetrainreceba os dados da basedadoqcorrespondentes aos índices emtr e que testreceba o os dados da basedadoqcomplementares aos índices emtr.
Classificação • fit=qda(train[1:2,],train$grupo) • pred=predict(fit,test[1:2,]) • table(test$grupo,pred$class) Nesse caso temos uma estimativa da taxa de erro dada por 11/40=27,5%
Classificação em uma de várias populações • Suponha agora que cada observação pode se proveniente de uma e somente uma de g populações: • Sejam
Classificação em uma de várias populações • Nesse caso, a probabilidade de classificar uma observação de i em j, pji, é dada por: • Portanto, o custo esperado de classificação incorreta de uma • observação de 1 é dado por:
Classificação em uma de várias populações • De modo análogo, os custos esperados condicionais as demais populações são dados por: • Como i é a probabilidade de incidência a priori de que uma • observação seja proveniente de i segue que o custo esperado • de classificação incorreta é dado por:
Classificação em uma de várias populações • A determinação de um procedimento de classificação ótimo leva em conta a escolha das regiões de classificação, R1, R2, ..., Rg, mutuamente exclusivas e exaustivas tal que o custo esperado de classificação incorreta seja minimizado. RESULTADO: As regiões de classificação Ri , i=1,2,...,g, que minimizam o custo esperado de classificação incorreta (CECI) são dadas por:
Classificação em uma de várias populações • Em outras palavras, dada uma nova observação x, calcula-se para cada i=1,2,...,g: A observação x será designada à população r tal que c(r,x)=min{c(1,x), c(2,x),...,c(g,x)}.
Classificação em uma de várias populações • Suponha que todos os custos de classificação incorreta sejam iguais a 1. Nesse caso, uma nova observação será alocada à população r , r=1,2,...,g se Observe que o mínimo será atingido quando o termo rfr(x) for um máximo. Conseqüentemente, quando os custos de classificação incorreta são iguais, A regra do CECI mínimo apresenta a seguinte forma, mais simples,
Comentários • É interessante observar que a regra obtida aqui é equivalente à regra obtida pela maximização da probabilidade a posteriori de classificação obtida anteriormente para o caso de duas populações. • No contexto de várias populações temos:
Probabilidade a posteriori de classificação incorreta no caso de duas populações (revisitando) Podemos também alocar uma nova observação x0 à população com maior probabilidade de incidência a posteriori P(i|x0) em que
Regra do CECI mínimo • Observe que a regra obtida tem três componentes: • probabilidades de incidência a priori; • custos de classificação incorreta; • funções de densidade. • Essas quantidades devem ser especificadas (ou estimadas) para poder implementar a regra.
Exemplo • Suponha um caso simples no qual g=3, 1=0,05, 2=0,60 e 3=0,35, com a seguinte tabela de custos de classificação incorreta: Suponha também que os valores das respectivas densidade para a nova observação x0são f1(x0)=0,01; f2(x0)=0,85 e f3(x0)=2,0.
Exemplo (continuação) • Nesse caso, os valores de c(r,x0), r=1,2,3 são: • 325,0 • 35,055 • 102,025 • Como o menor valor ocorre para r=2, alocamos x0 à 2. • Se todos os custos de classificação incorreta fossem iguais, os valores de rfr(x0), r=1,2,3 são: • 0,0005 • 0,510 • 0,700 • Portanto, nesse caso, alocaríamos x0à 3.
Exemplo (continuação) • Equivalentemente, calculando as probabilidades de classificação a posteriori temos: • P(1|x0)=0,0004 • P(2|x0)=0,421 • P(3|x0)=0,578 • Ou seja, no caso de custos de classificação incorreta iguais, x0 é alocado na população cuja probabilidade de classificação a posteriori é maior, como foi verificado anteriormente.
Classificação em populações normais • Suponha agora que as g populações sejam normais p-variadas com vetores de média μiematrizes de covariância i, i=1,2,...g. • Nesse caso, supondo custos de classificação incorreta iguais, a regra de classificação pode ser escrita como: • Na prática, os vetores de média e matrizes de covariância são • desconhecidos e devem ser estimados.
Classificação em populações normais • A estimativa do escore quadrático de discriminação é dada por: Desse modo a regra estimada para populações normais com covariâncias desiguais é alocar x à população r se Uma simplificação possível se dá no caso em que Σ1=Σ2=...=Σg= Σ.
Classificação em populações normais • Nesse caso, o escore discriminante torna-se: • Observe que os dois primeiros termos são comuns a qualquer • população e, conseqüentemente, podem ser ignorados para • propósitos de alocação. • Os termos restantes consistem de uma constante e uma combinação linear das componentes de x.
Classificação em populações normais • Nesse caso, podemos definir o escore discriminante Uma estimativa do escore acima é acima é baseada na Estimativa combinada de Σ dada por:
Classificação em populações normais Desse modo a regra estimada para populações normais com covariâncias iguais é alocar x à população r se
Exemplo no R • Use a base de dados CRABS e construa um fator de quatro níveis correspondendo a interação de espécie e gênero para usar como atributo de classificação.
