{"id":1162,"date":"2023-07-27T11:00:03","date_gmt":"2023-07-27T11:00:03","guid":{"rendered":"https:\/\/statorials.org\/nl\/lineaire-discriminantanalyse-in-r\/"},"modified":"2023-07-27T11:00:03","modified_gmt":"2023-07-27T11:00:03","slug":"lineaire-discriminantanalyse-in-r","status":"publish","type":"post","link":"https:\/\/statorials.org\/nl\/lineaire-discriminantanalyse-in-r\/","title":{"rendered":"Lineaire discriminantanalyse in r (stap voor stap)"},"content":{"rendered":"<p><\/p>\n<hr>\n<p><span style=\"color: #000000;\"><a href=\"https:\/\/statorials.org\/nl\/lineaire-discriminantanalyse\/\" target=\"_blank\" rel=\"noopener noreferrer\">Lineaire discriminantanalyse<\/a> is een methode die u kunt gebruiken als u over een reeks voorspellende variabelen beschikt en een <a href=\"https:\/\/statorials.org\/nl\/variabelen-verklarende-reacties\/\" target=\"_blank\" rel=\"noopener noreferrer\">responsvariabele<\/a> in twee of meer klassen wilt indelen.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Deze tutorial biedt een stapsgewijs voorbeeld van het uitvoeren van lineaire discriminantanalyse in R.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Stap 1: Laad de benodigde bibliotheken<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Eerst laden we de benodigde bibliotheken voor dit voorbeeld:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <span style=\"color: #000000;\"><b><span style=\"color: #993300;\">library<\/span> (MASS)\n<span style=\"color: #993300;\">library<\/span> (ggplot2)<\/b><\/span><\/pre>\n<h3> <span style=\"color: #000000;\"><strong>Stap 2: Gegevens laden<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Voor dit voorbeeld gebruiken we de <strong>irisgegevensset<\/strong> die in R is ingebouwd. De volgende code laat zien hoe u deze gegevensset laadt en weergeeft:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#attach <em>iris<\/em> dataset to make it easy to work with<\/span>\nattach(iris)\n\n<span style=\"color: #008080;\">#view structure of dataset\n<\/span>str(iris)\n\n'data.frame': 150 obs. of 5 variables:\n $ Sepal.Length: num 5.1 4.9 4.7 4.6 5 5.4 4.6 5 4.4 4.9 ...\n $ Sepal.Width: num 3.5 3 3.2 3.1 3.6 3.9 3.4 3.4 2.9 3.1 ...\n $Petal.Length: num 1.4 1.4 1.3 1.5 1.4 1.7 1.4 1.5 1.4 1.5 ...\n $Petal.Width: num 0.2 0.2 0.2 0.2 0.2 0.4 0.3 0.2 0.2 0.1 ...\n $ Species: Factor w\/ 3 levels \"setosa\",\"versicolor\",..: 1 1 1 1 1 1 1 ...\n<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">We kunnen zien dat de dataset in totaal 5 variabelen en 150 observaties bevat.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Voor dit voorbeeld zullen we een lineair discriminantanalysemodel bouwen om te classificeren tot welke soort een bepaalde bloem behoort.<\/span><\/p>\n<p> <span style=\"color: #000000;\">We zullen de volgende voorspellende variabelen in het model gebruiken:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">Kelkbladlengte<\/span><\/li>\n<li> <span style=\"color: #000000;\">Kelkbladbreedte<\/span><\/li>\n<li> <span style=\"color: #000000;\">Bloemblaadje. Lengte<\/span><\/li>\n<li> <span style=\"color: #000000;\">Bloemblaadje.Breedte<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">En we zullen ze gebruiken om de responsvariabele <em>Species<\/em> te voorspellen, die de volgende drie potenti\u00eble klassen ondersteunt:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">setosa<\/span><\/li>\n<li> <span style=\"color: #000000;\">veelkleurig<\/span><\/li>\n<li> <span style=\"color: #000000;\">Virginia<\/span><\/li>\n<\/ul>\n<h3> <span style=\"color: #000000;\"><strong>Stap 3: Schaal de gegevens<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Een van de belangrijkste aannames van lineaire discriminantanalyse is dat elk van de voorspellende variabelen dezelfde variantie heeft. Een eenvoudige manier om ervoor te zorgen dat aan deze veronderstelling wordt voldaan, is door elke variabele zo te schalen dat deze een gemiddelde van 0 en een standaarddeviatie van 1 heeft.<\/span><\/p>\n<p> <span style=\"color: #000000;\">We kunnen dit snel doen in R met behulp van de <strong>scale()<\/strong> functie:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#scale each predictor variable (ie first 4 columns)\n<\/span>iris[1:4] &lt;- scale(iris[1:4])\n<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">We kunnen de <a href=\"https:\/\/statorials.org\/nl\/een-gids-voor-het-aanbrengen-van-lapply-sapply-en-tapply-in-r\/\" target=\"_blank\" rel=\"noopener noreferrer\">functie apply()<\/a> gebruiken om te verifi\u00ebren dat elke voorspellende variabele nu een gemiddelde van 0 en een <a href=\"https:\/\/statorials.org\/nl\/standaarddeviatie-in-r\/\" target=\"_blank\" rel=\"noopener noreferrer\">standaarddeviatie<\/a> van 1 heeft:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#find mean of each predictor variable\n<\/span>apply(iris[1:4], 2, mean)\n\n Sepal.Length Sepal.Width Petal.Length Petal.Width \n-4.484318e-16 2.034094e-16 -2.895326e-17 -3.663049e-17 \n\n<span style=\"color: #008080;\">#find standard deviation of each predictor variable\n<\/span>apply(iris[1:4], 2, sd) \n\nSepal.Length Sepal.Width Petal.Length Petal.Width \n           1 1 1 1\n<\/strong><\/pre>\n<h3> <span style=\"color: #000000;\"><strong>Stap 4: Maak trainings- en testvoorbeelden<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Vervolgens splitsen we de dataset op in een trainingsset om het model op te trainen en een testset om het model op te testen:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#make this example reproducible\n<\/span>set.seed(1)\n\n<span style=\"color: #008080;\">#Use 70% of dataset as training set and remaining 30% as testing set\n<\/span>sample &lt;- sample(c( <span style=\"color: #008000;\">TRUE<\/span> , <span style=\"color: #008000;\">FALSE<\/span> ), <span style=\"color: #3366ff;\">nrow<\/span> (iris), <span style=\"color: #3366ff;\">replace<\/span> = <span style=\"color: #008000;\">TRUE<\/span> , <span style=\"color: #3366ff;\">prob<\/span> =c(0.7,0.3))\ntrain &lt;- iris[sample, ]\ntest &lt;- iris[!sample, ] \n<\/strong><\/pre>\n<h3> <span style=\"color: #000000;\"><strong>Stap 5: Pas het LDA-model aan<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Vervolgens zullen we de <a href=\"https:\/\/www.rdocumentation.org\/packages\/MASS\/versions\/7.3-53\/topics\/lda\" target=\"_blank\" rel=\"noopener noreferrer\">functie lda()<\/a> uit het <strong>MASS-<\/strong> pakket gebruiken om het LDA-model aan onze gegevens aan te passen:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#fit LDA model\n<\/span>model &lt;- lda(Species~., data=train)\n\n<span style=\"color: #008080;\">#view model output<\/span>\nmodel\n\nCall:\nlda(Species ~ ., data = train)\n\nPrior probabilities of groups:\n    setosa versicolor virginica \n 0.3207547 0.3207547 0.3584906 \n\nGroup means:\n           Sepal.Length Sepal.Width Petal.Length Petal.Width\nsetosa -1.0397484 0.8131654 -1.2891006 -1.2570316\nversicolor 0.1820921 -0.6038909 0.3403524 0.2208153\nvirginica 0.9582674 -0.1919146 1.0389776 1.1229172\n\nCoefficients of linear discriminants:\n                    LD1 LD2\nSepal.Length 0.7922820 0.5294210\nSepal.Width 0.5710586 0.7130743\nPetal.Length -4.0762061 -2.7305131\nPetal.Width -2.0602181 2.6326229\n\nProportion of traces:\n   LD1 LD2 \n0.9921 0.0079 \n<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">Zo interpreteert u de modelresultaten:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>Groepsvoorafgaande kansen:<\/strong> deze vertegenwoordigen de verhoudingen van elke soort in de trainingsset. Zo had 35,8% van alle waarnemingen in de trainingsset betrekking op de soort <em>virginica<\/em> .<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>Groepsgemiddelden:<\/strong> deze geven de gemiddelde waarden weer van elke voorspellende variabele voor elke soort.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>Lineaire discriminantco\u00ebffici\u00ebnten:<\/strong> deze geven de lineaire combinatie van voorspellende variabelen weer die worden gebruikt om de beslissingsregel van het LDA-model te trainen. Bijvoorbeeld:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\"><strong>LD1:<\/strong> 0,792 * kelkbladlengte + 0,571 * kelkbladbreedte \u2013 4,076 * bloembladlengte \u2013 2,06 * bloembladbreedte<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>LD2:<\/strong> 0,529 * kelkbladlengte + 0,713 * kelkbladbreedte \u2013 2,731 * bloembladlengte + 2,63 * bloembladbreedte<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\"><strong>Traceeraandeel:<\/strong> Deze geven het scheidingspercentage weer dat door elke lineaire discriminantfunctie wordt bereikt.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Stap 6: Gebruik het model om voorspellingen te doen<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Zodra we het model hebben aangepast met behulp van onze trainingsgegevens, kunnen we het gebruiken om voorspellingen te doen op basis van onze testgegevens:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#use LDA model to make predictions on test data\n<\/span>predicted &lt;- <span style=\"color: #3366ff;\">predict<\/span> (model, test)\n\nnames(predicted)\n\n[1] \"class\" \"posterior\" \"x\"   \n<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">Dit retourneert een lijst met drie variabelen:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\"><strong>klasse:<\/strong> de voorspelde klasse<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>posterior:<\/strong> De <a href=\"https:\/\/statorials.org\/nl\/posterieure-waarschijnlijkheid\/\" target=\"_blank\" rel=\"noopener noreferrer\">posterieure waarschijnlijkheid<\/a> dat een waarneming tot elke klasse behoort<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>x:<\/strong> lineaire discriminanten<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">We kunnen elk van deze resultaten snel visualiseren voor de eerste zes waarnemingen in onze testdataset:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#view predicted class for first six observations in test set\n<\/span>head(predicted$class)\n\n[1] setosa setosa setosa setosa setosa setosa\nLevels: setosa versicolor virginica\n\n<span style=\"color: #008080;\">#view posterior probabilities for first six observations in test set<\/span>\nhead(predicted$posterior)\n\n   setosa versicolor virginica\n4 1 2.425563e-17 1.341984e-35\n6 1 1.400976e-21 4.482684e-40\n7 1 3.345770e-19 1.511748e-37\n15 1 6.389105e-31 7.361660e-53\n17 1 1.193282e-25 2.238696e-45\n18 1 6.445594e-22 4.894053e-41\n\n<span style=\"color: #008080;\">#view linear discriminants for first six observations in test set\n<\/span>head(predicted$x)\n\n         LD1 LD2\n4 7.150360 -0.7177382\n6 7.961538 1.4839408\n7 7.504033 0.2731178\n15 10.170378 1.9859027\n17 8.885168 2.1026494\n18 8.113443 0.7563902\n<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">We kunnen de volgende code gebruiken om te zien voor welk percentage waarnemingen het LDA-model de soort correct voorspelde:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#find accuracy of model\n<\/span>mean(predicted$class==test$Species)\n\n[1] 1<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">Het blijkt dat het model de soort correct voorspelde voor <strong>100%<\/strong> van de waarnemingen in onze testdataset.<\/span><\/p>\n<p> <span style=\"color: #000000;\">In de echte wereld voorspelt een LDA-model zelden correct de resultaten van elke klasse, maar deze iris-dataset is eenvoudigweg zo opgebouwd dat machine learning-algoritmen de neiging hebben zeer goed te presteren.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Stap 7: Visualiseer de resultaten<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Ten slotte kunnen we een LDA-plot maken om de lineaire discriminanten van het model te visualiseren en te visualiseren hoe goed het de drie verschillende soorten in onze dataset van elkaar scheidt:<\/span> <\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#define data to plot\n<\/span>lda_plot &lt;- cbind(train, predict(model)$x)\n\n<span style=\"color: #008080;\">#createplot\n<\/span>ggplot(lda_plot, <span style=\"color: #3366ff;\">aes<\/span> (LD1, LD2)) +\n  geom_point( <span style=\"color: #3366ff;\">aes<\/span> (color=Species))\n<\/strong><\/pre>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-11639 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/lda_r1.png\" alt=\"Lineaire discriminantanalyse in R\" width=\"431\" height=\"427\" srcset=\"\" sizes=\"auto, \"><\/p>\n<p> <span style=\"color: #000000;\">De volledige R-code die in deze tutorial wordt gebruikt, vindt u <a href=\"https:\/\/github.com\/Statorials\/R-Guides\/blob\/main\/linear_discriminant_analysis\" target=\"_blank\" rel=\"noopener noreferrer\">hier<\/a> .<\/span><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Lineaire discriminantanalyse is een methode die u kunt gebruiken als u over een reeks voorspellende variabelen beschikt en een responsvariabele in twee of meer klassen wilt indelen. Deze tutorial biedt een stapsgewijs voorbeeld van het uitvoeren van lineaire discriminantanalyse in R. Stap 1: Laad de benodigde bibliotheken Eerst laden we de benodigde bibliotheken voor dit [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"class_list":["post-1162","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v21.5 - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Lineaire discriminantanalyse in R (stap voor stap)<\/title>\n<meta name=\"description\" content=\"In deze zelfstudie wordt uitgelegd hoe u lineaire discriminantanalyse uitvoert in R, inclusief een stapsgewijs voorbeeld.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/statorials.org\/nl\/lineaire-discriminantanalyse-in-r\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Lineaire discriminantanalyse in R (stap voor stap)\" \/>\n<meta property=\"og:description\" content=\"In deze zelfstudie wordt uitgelegd hoe u lineaire discriminantanalyse uitvoert in R, inclusief een stapsgewijs voorbeeld.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/statorials.org\/nl\/lineaire-discriminantanalyse-in-r\/\" \/>\n<meta property=\"og:site_name\" content=\"Statorials\" \/>\n<meta property=\"article:published_time\" content=\"2023-07-27T11:00:03+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/lda_r1.png\" \/>\n<meta name=\"author\" content=\"Dr.benjamin anderson\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Verfasst von\" \/>\n\t<meta name=\"twitter:data1\" content=\"Dr.benjamin anderson\" \/>\n\t<meta name=\"twitter:label2\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data2\" content=\"4\u00a0Minuten\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/statorials.org\/nl\/lineaire-discriminantanalyse-in-r\/\",\"url\":\"https:\/\/statorials.org\/nl\/lineaire-discriminantanalyse-in-r\/\",\"name\":\"Lineaire discriminantanalyse in R (stap voor stap)\",\"isPartOf\":{\"@id\":\"https:\/\/statorials.org\/nl\/#website\"},\"datePublished\":\"2023-07-27T11:00:03+00:00\",\"dateModified\":\"2023-07-27T11:00:03+00:00\",\"author\":{\"@id\":\"https:\/\/statorials.org\/nl\/#\/schema\/person\/d4b8842173cca1bb62cdec41860e4219\"},\"description\":\"In deze zelfstudie wordt uitgelegd hoe u lineaire discriminantanalyse uitvoert in R, inclusief een stapsgewijs voorbeeld.\",\"breadcrumb\":{\"@id\":\"https:\/\/statorials.org\/nl\/lineaire-discriminantanalyse-in-r\/#breadcrumb\"},\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/statorials.org\/nl\/lineaire-discriminantanalyse-in-r\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/statorials.org\/nl\/lineaire-discriminantanalyse-in-r\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Thuis\",\"item\":\"https:\/\/statorials.org\/nl\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Lineaire discriminantanalyse in r (stap voor stap)\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/statorials.org\/nl\/#website\",\"url\":\"https:\/\/statorials.org\/nl\/\",\"name\":\"Statorials\",\"description\":\"Uw gids voor statistische competentie\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/statorials.org\/nl\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"de\"},{\"@type\":\"Person\",\"@id\":\"https:\/\/statorials.org\/nl\/#\/schema\/person\/d4b8842173cca1bb62cdec41860e4219\",\"name\":\"Dr.benjamin anderson\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\/\/statorials.org\/nl\/#\/schema\/person\/image\/\",\"url\":\"http:\/\/statorials.org\/nl\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg\",\"contentUrl\":\"http:\/\/statorials.org\/nl\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg\",\"caption\":\"Dr.benjamin anderson\"},\"description\":\"Ik ben Benjamin, een gepensioneerde hoogleraar statistiek die nu een toegewijde Statorials-lesgever is. Ik heb uitgebreide ervaring en expertise op het gebied van statistiek en ik ben vastbesloten om mijn kennis te delen met studenten via Statorials. Lees verder\",\"sameAs\":[\"http:\/\/statorials.org\/nl\"]}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Lineaire discriminantanalyse in R (stap voor stap)","description":"In deze zelfstudie wordt uitgelegd hoe u lineaire discriminantanalyse uitvoert in R, inclusief een stapsgewijs voorbeeld.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/statorials.org\/nl\/lineaire-discriminantanalyse-in-r\/","og_locale":"de_DE","og_type":"article","og_title":"Lineaire discriminantanalyse in R (stap voor stap)","og_description":"In deze zelfstudie wordt uitgelegd hoe u lineaire discriminantanalyse uitvoert in R, inclusief een stapsgewijs voorbeeld.","og_url":"https:\/\/statorials.org\/nl\/lineaire-discriminantanalyse-in-r\/","og_site_name":"Statorials","article_published_time":"2023-07-27T11:00:03+00:00","og_image":[{"url":"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/lda_r1.png"}],"author":"Dr.benjamin anderson","twitter_card":"summary_large_image","twitter_misc":{"Verfasst von":"Dr.benjamin anderson","Gesch\u00e4tzte Lesezeit":"4\u00a0Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/statorials.org\/nl\/lineaire-discriminantanalyse-in-r\/","url":"https:\/\/statorials.org\/nl\/lineaire-discriminantanalyse-in-r\/","name":"Lineaire discriminantanalyse in R (stap voor stap)","isPartOf":{"@id":"https:\/\/statorials.org\/nl\/#website"},"datePublished":"2023-07-27T11:00:03+00:00","dateModified":"2023-07-27T11:00:03+00:00","author":{"@id":"https:\/\/statorials.org\/nl\/#\/schema\/person\/d4b8842173cca1bb62cdec41860e4219"},"description":"In deze zelfstudie wordt uitgelegd hoe u lineaire discriminantanalyse uitvoert in R, inclusief een stapsgewijs voorbeeld.","breadcrumb":{"@id":"https:\/\/statorials.org\/nl\/lineaire-discriminantanalyse-in-r\/#breadcrumb"},"inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/statorials.org\/nl\/lineaire-discriminantanalyse-in-r\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/statorials.org\/nl\/lineaire-discriminantanalyse-in-r\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Thuis","item":"https:\/\/statorials.org\/nl\/"},{"@type":"ListItem","position":2,"name":"Lineaire discriminantanalyse in r (stap voor stap)"}]},{"@type":"WebSite","@id":"https:\/\/statorials.org\/nl\/#website","url":"https:\/\/statorials.org\/nl\/","name":"Statorials","description":"Uw gids voor statistische competentie","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/statorials.org\/nl\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"de"},{"@type":"Person","@id":"https:\/\/statorials.org\/nl\/#\/schema\/person\/d4b8842173cca1bb62cdec41860e4219","name":"Dr.benjamin anderson","image":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/statorials.org\/nl\/#\/schema\/person\/image\/","url":"http:\/\/statorials.org\/nl\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg","contentUrl":"http:\/\/statorials.org\/nl\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg","caption":"Dr.benjamin anderson"},"description":"Ik ben Benjamin, een gepensioneerde hoogleraar statistiek die nu een toegewijde Statorials-lesgever is. Ik heb uitgebreide ervaring en expertise op het gebied van statistiek en ik ben vastbesloten om mijn kennis te delen met studenten via Statorials. Lees verder","sameAs":["http:\/\/statorials.org\/nl"]}]}},"yoast_meta":{"yoast_wpseo_title":"","yoast_wpseo_metadesc":"","yoast_wpseo_canonical":""},"_links":{"self":[{"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/posts\/1162","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/comments?post=1162"}],"version-history":[{"count":0,"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/posts\/1162\/revisions"}],"wp:attachment":[{"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/media?parent=1162"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/categories?post=1162"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/tags?post=1162"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}