<\/p>\n
Die quadratische Diskriminanzanalyse<\/a> ist eine Methode, die Sie verwenden k\u00f6nnen, wenn Sie \u00fcber eine Reihe von Pr\u00e4diktorvariablen verf\u00fcgen und eine Antwortvariable<\/a> in zwei oder mehr Klassen klassifizieren m\u00f6chten.<\/span><\/p>\n Sie gilt als nichtlineares \u00c4quivalent der linearen Diskriminanzanalyse<\/a> .<\/span><\/p>\n Dieses Tutorial bietet ein schrittweises Beispiel f\u00fcr die Durchf\u00fchrung einer quadratischen Diskriminanzanalyse in Python.<\/span><\/p>\n Zuerst laden wir die f\u00fcr dieses Beispiel ben\u00f6tigten Funktionen und Bibliotheken:<\/span><\/p>\n F\u00fcr dieses Beispiel verwenden wir den Iris-<\/strong> Datensatz aus der Sklearn-Bibliothek. Der folgende Code zeigt, wie dieser Datensatz geladen und zur einfacheren Verwendung in einen Pandas-DataFrame konvertiert wird:<\/span><\/p>\n Wir k\u00f6nnen sehen, dass der Datensatz insgesamt 150 Beobachtungen enth\u00e4lt.<\/span><\/p>\n F\u00fcr dieses Beispiel erstellen wir ein quadratisches Diskriminanzanalysemodell, um die Art zu klassifizieren, zu der eine bestimmte Blume geh\u00f6rt.<\/span><\/p>\n Wir werden die folgenden Pr\u00e4diktorvariablen im Modell verwenden:<\/span><\/p>\n Und wir werden sie verwenden, um die Antwortvariable \u201eSpecies\u201c<\/em> vorherzusagen, die die folgenden drei m\u00f6glichen Klassen unterst\u00fctzt:<\/span><\/p>\n Schritt 1: Laden Sie die erforderlichen Bibliotheken<\/strong><\/span><\/h3>\n
from<\/span> sklearn. model_selection<\/span> import<\/span> train_test_split\nfrom<\/span> sklearn. model_selection<\/span> import<\/span> RepeatedStratifiedKFold\nfrom<\/span> sklearn. model_selection<\/span> import<\/span> cross_val_score\nfrom<\/span> sklearn. discriminant_analysis<\/span> import<\/span> QuadraticDiscriminantAnalysis \nfrom<\/span> sklearn import<\/span> datasets\nimport<\/span> matplotlib. pyplot<\/span> as<\/span> plt\nimport<\/span> pandas as<\/span> pd\nimport<\/span> numpy as<\/span> np<\/b><\/span><\/pre>\n Schritt 2: Daten laden<\/strong><\/span><\/h3>\n
#load iris<\/em> dataset<\/span>\niris = datasets. load_iris<\/span> ()\n\n#convert dataset to pandas DataFrame\n<\/span>df = pd.DataFrame(data = np.c_[iris[' data<\/span> '], iris[' target<\/span> ']],\n columns = iris[' feature_names<\/span> '] + [' target<\/span> '])\ndf[' species<\/span> '] = pd. Categorical<\/span> . from_codes<\/span> (iris.target, iris.target_names)\ndf.columns = [' s_length<\/span> ', ' s_width<\/span> ', ' p_length<\/span> ', ' p_width<\/span> ', ' target<\/span> ', ' species<\/span> ']\n\n#view first six rows of DataFrame\n<\/span>df. head<\/span> ()\n\n s_length s_width p_length p_width target species\n0 5.1 3.5 1.4 0.2 0.0 setosa\n1 4.9 3.0 1.4 0.2 0.0 setosa\n2 4.7 3.2 1.3 0.2 0.0 setosa\n3 4.6 3.1 1.5 0.2 0.0 setosa\n4 5.0 3.6 1.4 0.2 0.0 setosa\n\n#find how many total observations are in dataset<\/span>\nlen(df.index)\n\n150<\/span><\/span><\/strong><\/pre>\n\n
\n
Schritt 3: Passen Sie das QDA-Modell an<\/strong><\/span><\/h3>\n