<\/p>\n
L’analisi discriminante quadratica<\/a> \u00e8 un metodo che \u00e8 possibile utilizzare quando si dispone di un insieme di variabili predittive e si desidera classificare una variabile di risposta<\/a> in due o pi\u00f9 classi.<\/span><\/p>\n \u00c8 considerato l’equivalente non lineare dell’analisi discriminante lineare<\/a> .<\/span><\/p>\n Questo tutorial fornisce un esempio passo passo di come eseguire l’analisi discriminante quadratica in Python.<\/span><\/p>\n Innanzitutto, caricheremo le funzioni e le librerie necessarie per questo esempio:<\/span><\/p>\n Per questo esempio, utilizzeremo il set di dati iris<\/strong> dalla libreria sklearn. Il codice seguente mostra come caricare questo set di dati e convertirlo in un DataFrame panda per facilit\u00e0 d’uso:<\/span><\/p>\n Possiamo vedere che il set di dati contiene 150 osservazioni in totale.<\/span><\/p>\n Per questo esempio, costruiremo un modello di analisi discriminante quadratica per classificare la specie a cui appartiene un dato fiore.<\/span><\/p>\n Utilizzeremo le seguenti variabili predittive nel modello:<\/span><\/p>\n E li useremo per prevedere la variabile di risposta Specie<\/em> , che supporta le seguenti tre classi potenziali:<\/span><\/p>\n Successivamente, adatteremo il modello QDA ai nostri dati utilizzando la funzione QuadraticDiscriminantAnalsys<\/a> di sklearn:<\/span><\/p>\n Una volta adattato il modello utilizzando i nostri dati, possiamo valutare le prestazioni del modello utilizzando ripetute validazioni incrociate stratificate k-fold.<\/span><\/p>\n Passaggio 1: caricare le librerie necessarie<\/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 Passaggio 2: caricare i dati<\/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
Passaggio 3: modificare il modello QDA<\/strong><\/span><\/h3>\n
#define predictor and response variables\n<\/span>X = df[[' s_length<\/span> ',' s_width<\/span> ',' p_length<\/span> ',' p_width<\/span> ']]\ny = df[' species<\/span> ']\n\n#Fit the QDA model\n<\/span>model = QuadraticDiscriminantAnalysis()\nmodel. fit<\/span> (x,y)\n<\/strong><\/pre>\n Passaggio 4: utilizzare il modello per fare previsioni<\/strong><\/span><\/h3>\n