<\/p>\n
Kwadratische discriminantanalyse<\/a> is een methode die u kunt gebruiken als u over een reeks voorspellende variabelen beschikt en u een responsvariabele<\/a> in twee of meer klassen wilt indelen.<\/span><\/p>\n Het wordt beschouwd als het niet-lineaire equivalent van lineaire discriminantanalyse<\/a> .<\/span><\/p>\n Deze tutorial biedt een stapsgewijs voorbeeld van het uitvoeren van kwadratische discriminantanalyse in Python.<\/span><\/p>\n Eerst laden we de functies en bibliotheken die nodig zijn voor dit voorbeeld:<\/span><\/p>\n Voor dit voorbeeld gebruiken we de irisgegevensset<\/strong> uit de sklearn-bibliotheek. De volgende code laat zien hoe u deze gegevensset laadt en converteert naar een Panda DataFrame voor gebruiksgemak:<\/span><\/p>\n We kunnen zien dat de dataset in totaal 150 waarnemingen bevat.<\/span><\/p>\n Voor dit voorbeeld zullen we een kwadratisch discriminantanalysemodel bouwen om de soort te classificeren waartoe een bepaalde bloem behoort.<\/span><\/p>\n We zullen de volgende voorspellende variabelen in het model gebruiken:<\/span><\/p>\n En we zullen ze gebruiken om de responsvariabele Species<\/em> te voorspellen, die de volgende drie potenti\u00eble klassen ondersteunt:<\/span><\/p>\n Vervolgens passen we het QDA-model aan onze gegevens aan met behulp van de QuadraticDiscriminantAnalsys-<\/a> functie van sklearn:<\/span><\/p>\n Zodra we het model hebben aangepast met behulp van onze gegevens, kunnen we de prestaties van het model evalueren met behulp van herhaalde gestratificeerde k-voudige kruisvalidatie.<\/span><\/p>\n Stap 1: Laad de benodigde 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 Stap 2: Gegevens 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
Stap 3: Pas het QDA-model aan<\/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 Stap 4: Gebruik het model om voorspellingen te doen<\/strong><\/span><\/h3>\n