<< forwda (X->Y_classes) Classification plsda >>

fact >> (X->Y_classes) Classification > knnda

knnda

méthode des k plus proches voisins avec validation croisée

Séquence d'appel

model = knnda(x,y_class,split,knn,(scale))

Paramètres

x:

une matrice (n x q) ou une structure Div

y_class:

un vecteur conjonctif (n x 1) ou une matrice disjonctive (n x nclass) ou une structure Div

split:

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

knn:

le nombre de plus proches voisins

(scale):

scale définit la standardisation

scale=[]: aucune standardisation

scale='s': standardisation: division des colonnes de x par leur écart-type (par défaut)

model.conf_cal_nobs:

la matrice de confusion du modèle d'étalonnage, exprimée en nombre d'observations

model.conf_cal_nobs.d est une hyper-matrice de dimensions (nclass x nclass x lv)

model.conf_cal:

la matrice de confusion du modèle d'étalonnage, exprimée en pourcentage par classe

model.conf_cal.d est une hyper-matrice de dimensions (nclass x nclass x lv)

model.conf_cv:

la matrice de confusion de la validation croisée, exprimée en pourcentage par classe

model.conf_cv.d est une hyper-matrice de dimensions (nclass x nclass x lv)

model.err:

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)

model.errbycl_cal:

le pourcentage d'erreur de l'étalonnage, pour chaque classe

model.errbycl_cal.d est une matrice (lv x nclass)

model.errbycl_cv:

le pourcentage d'erreur de la validation croisée, pour chaque classe

model.errbycl_cv.d est une matrice (lv x nclass)

model.notclassed:

le pourcentages d'échantillons non classés (prédictions inférieures au seuil)

model.notclassed.d est un scalaire

model.notclassed_bycl:

le pourcentages d'échantillons non classés (prédictions inférieures au seuil), pour chaque classe

model.notclassed_bycl.d est un vecteur (nclass x 1)

model.method:

la méthode utilisée pour l'analyse discriminante; ici: 'knnda'

model.x,model.y_class:

les données d'étalonnage

model.scale:

la standardisation appliquée

Exemples

[result1]=knnda(x,y,30,5)
[result1]=knnda(x,y,30,5,'s')

Bibliographie

Auteurs


Report an issue
<< forwda (X->Y_classes) Classification plsda >>