analyse discriminante PLS avec validation croisée
function [model] = plsda(x,y_class,split,lv,(classif_metric),(scale),(threshold))
une matrice (n x q) ou une structure Div
classification des observations; une matrice disjonctive (n x nclass) ou un vecteur conjonctif (n x 1) ou une structure Div
pour la validation croisée; le nombre de blocs, ou un vecteur de dimensions (n x 1) identifant par un numéro le groupe de validation croisée de chaque observation
le nombre maximum de variables latentes ou de vecteurs-propres utilisés pour la construction du modèle
la métrique utilisée pour mesurer la distance des coordonnées (scores) d'un individu à une classe
metric=0: distance de Mahalanobis (par défaut)
metric=1: distance Euclidienne usuelle
scale='c': centrage
scale='cs': centrage + standardisation: division des colonnes de x par leur écart-type (par défaut)
le seuil minima d'affectation à une classe; par défaut 1/nclass
la matrice de confusion sur les modèles d'étalonnage, exprimée en nombre d'observations
model.conf_cal_nobs.d est une hyper-matrice de dimensions (nclass x nclass x lv)
la matrice de confusion sur les modèles d'étalonnage, exprimée en pourcentage
model.conf_cal.d est une hyper-matrice de dimensions (nclass x nclass x lv)
la matrice de confusion sur les validations croisées,exprimée en pourcentage
model.conf_cv.d est une hyper-matrice de dimensions (nclass x nclass x lv)
les pourcentages d'erreur de classification des étalonnages (1° colonne) et de la validation croisée (2° colonne)
model.err.d est une matrice (lv x 2)
le pourcentages d'erreur de classification des étalonnages, par classe
model.errbycl_cal.d est une matrice (lv x nclass)
pourcentages d'erreur de classification des validations croisées, par classe
model.errbycl_cv.d est une matrice (lv x nclass)
le pourcentages d'échantillons non classés (prédictions inférieures au seuil)
model.notclassed.d est un vecteur (lv x 1)
le pourcentages d'échantillons non classés (prédictions inférieures au seuil), pour chaque classe
model.notclassed_bycl.d est une matrice (lv x nclass)
la méthode utilisée pour l'analyse discriminante; ici:'plsda'
les vecteurs-propres
model.loadings.d est une matrice de dimensions (q x lv)
la métrique associée aux loadings; pour 'plsda': inv(x'x)
model.model_metric.d est une matrice de dimensions (q x q)
la métrique utilisée sur les scores des individus pour le calcul des distances individus / groupes
la standardisation appliquée
le seuil appliqué pour l'appartenance à une classe