analyse discriminante PLS avec validation croisée: une PLS2 (Simpls) calcule des scores sur la matrice disjonctive des classes, puis chaque observation est attribuée à une classe en utilisant ces scores
model = plsda(x,y_class,split,lv,(metric),(scale),(threshold))
une matrice (n x q) ou une structure Div
un vecteur conjonctif (n x 1) ou une matrice disjonctive (n x nclass) 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
lv devrait être inférieur à nclass
le choix de 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
les colonnes de x sont toujours centrées; scale définit la standardisation
scale='c': centrage
scale='cs': standardisation: division des colonnes de x par leur écart-type (par défaut)
le seuil d'affectation à une classe; par défaut 1/nclass
les matrices de confusion en étalonnage, exprimées en nombre d'observations
model.conf_cal_nobs est une liste de lv objets, chacun étant de dimensions (nclass x nclass)
les matrices de confusion en étalonnage, exprimées en pourcentage
model.conf_cal est une liste de lv objets, chacun étant de dimensions (nclass x nclass)
les matrices de confusion en validation croisée, exprimées en pourcentage
model.conf_cv est une liste de lv objets, chacun étant de dimensions (nclass x nclass)
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 pourcentage d'erreur de l'étalonnage, pour chaque classe
model.errbycl_cal.d est une matrice (lv x nclass)
le pourcentage d'erreur de la validation croisée, pour chaque 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'
le jeu d'étalonnage; une structure div
model.xcal.d est de dimensions (n x q)
les classes du jeu d'étalonnage, sous forme disjonctive; une structure div
model.ycal.d est de dimensions (n x nclass)
les scores des observations issus de Simpls; une structure Div
model.scores.d est de dimensions (n x lv)
la matrice R de Simpls, vérifiant: T=XR
model.rloadings.d est une matrice de dimensions (q x lv)
la métrique utilisée sur les scores des individus pour le calcul des distances entre individus et groupes
la standardisation appliquée
le seuil appliqué pour l'appartenance à une classe