Используя ggord
, можно сделать хороший линейный дискриминантный анализ ggplot2
biplots (см. главу 11, рис. 11.5 в "Билограммах на практике" М. Гринэкра), как в
library(MASS)
install.packages("devtools")
library(devtools)
install_github("fawda123/ggord")
library(ggord)
data(iris)
ord <- lda(Species ~ ., iris, prior = rep(1, 3)/3)
ggord(ord, iris$Species)
Я также хотел бы добавить регионы классификации (показанные как сплошные области того же цвета, что и их соответствующая группа, скажем, альфа = 0,5) или апостериорные вероятности членства в классе (с альфами, изменяющимися в зависимости от этой задней вероятности и тот же цвет, что и для каждой группы) (как это можно сделать в BiplotGUI
, но я ищу решение ggplot2
). Кто-нибудь знает, как это сделать с помощью ggplot2
, возможно, используя geom_tile
?
EDIT: ниже кто-то спрашивает, как рассчитать вероятности ранней классификации и предсказанные классы. Это происходит следующим образом:
library(MASS)
library(ggplot2)
library(scales)
fit <- lda(Species ~ ., data = iris, prior = rep(1, 3)/3)
datPred <- data.frame(Species=predict(fit)$class,predict(fit)$x)
#Create decision boundaries
fit2 <- lda(Species ~ LD1 + LD2, data=datPred, prior = rep(1, 3)/3)
ld1lim <- expand_range(c(min(datPred$LD1),max(datPred$LD1)),mul=0.05)
ld2lim <- expand_range(c(min(datPred$LD2),max(datPred$LD2)),mul=0.05)
ld1 <- seq(ld1lim[[1]], ld1lim[[2]], length.out=300)
ld2 <- seq(ld2lim[[1]], ld1lim[[2]], length.out=300)
newdat <- expand.grid(list(LD1=ld1,LD2=ld2))
preds <-predict(fit2,newdata=newdat)
predclass <- preds$class
postprob <- preds$posterior
df <- data.frame(x=newdat$LD1, y=newdat$LD2, class=predclass)
df$classnum <- as.numeric(df$class)
df <- cbind(df,postprob)
head(df)
x y class classnum setosa versicolor virginica
1 -10.122541 -2.91246 virginica 3 5.417906e-66 1.805470e-10 1
2 -10.052563 -2.91246 virginica 3 1.428691e-65 2.418658e-10 1
3 -9.982585 -2.91246 virginica 3 3.767428e-65 3.240102e-10 1
4 -9.912606 -2.91246 virginica 3 9.934630e-65 4.340531e-10 1
5 -9.842628 -2.91246 virginica 3 2.619741e-64 5.814697e-10 1
6 -9.772650 -2.91246 virginica 3 6.908204e-64 7.789531e-10 1
colorfun <- function(n,l=65,c=100) { hues = seq(15, 375, length=n+1); hcl(h=hues, l=l, c=c)[1:n] } # default ggplot2 colours
colors <- colorfun(3)
colorslight <- colorfun(3,l=90,c=50)
ggplot(datPred, aes(x=LD1, y=LD2) ) +
geom_raster(data=df, aes(x=x, y=y, fill = factor(class)),alpha=0.7,show_guide=FALSE) +
geom_contour(data=df, aes(x=x, y=y, z=classnum), colour="red2", alpha=0.5, breaks=c(1.5,2.5)) +
geom_point(data = datPred, size = 3, aes(pch = Species, colour=Species)) +
scale_x_continuous(limits = ld1lim, expand=c(0,0)) +
scale_y_continuous(limits = ld2lim, expand=c(0,0)) +
scale_fill_manual(values=colorslight,guide=F)
(не совсем уверен, что этот подход для отображения границ классификации с использованием контуров/разрывов в точках 1.5 и 2.5 всегда корректен - он правильный для границы между видами 1 и 2 и видами 2 и 3, но не если область видов 1 будет рядом с видом 3, так как я бы получил там две границы - возможно, мне пришлось бы использовать используемый здесь подход, где каждая граница между каждой видовой парой считается отдельно)
Это приводит меня к построению областей классификации. Я ищу решение, хотя и для того, чтобы также составлять фактические вероятности поздней классификации для каждого вида в каждой координате, используя альфа (непрозрачность), пропорциональную вероятности поздней классификации для каждого вида, и видоспецифичный цвет. Другими словами, с наложением трех изображений. Как известно, альфа-смешивание в ggplot2 зависит от порядка, я думаю, что цвета этого стека должны были бы вычисляться заранее и отображаться с использованием чего-то вроде
qplot(x, y, data=mydata, fill=rgb, geom="raster") + scale_fill_identity()
Вот пример SAS того, что я после:
Кто-нибудь знает, как это сделать? Или у кого-нибудь есть мысли о том, как наилучшим образом представлять эти вероятности поздней классификации?
Обратите внимание, что этот метод должен работать для любого количества групп, а не только для этого конкретного примера.