selection de variables par Covsel puis fda sur les variables selectionnees
model = covsel_fda(x,y_class,split,lv,nbvar, (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 inférieur à nclass
le nombre de variables selectionnées;
nbvar superieur ou egal a lv
le choix de la métrique 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 (par defaut)
scale='cs': standardisation: division des colonnes de x par leur écart-type
le seuil minimum pour l'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) dans le cas general, de dimensions (nclass x nclass x nbvar) pour covsel_fda
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) dans le cas general, de dimensions (nclass x nclass x nbvar) pour covsel_fda
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) dans le cas general, de dimensions (nclass x nclass x nbvar) pour covsel_fda
les pourcentages d'erreur de classification des étalonnages et de la validation croisée
model.err.d est une matrice (lv x 2) dans le cas general, (2 x lv x nbvar) pour covsel_fda
le pourcentage d'erreur de l'étalonnage, pour chaque classe
model.errbycl_cal.d est une matrice (lv x nclass) dans le cas general, (nclass x lv x nbvar) pour covsel_fda
le pourcentage d'erreur de la validation croisée, pour chaque classe
model.errbycl_cv.d est une matrice (lv x nclass) dans le cas general, (nclass x lv x nbvar) pour covsel_fda
le pourcentages d'échantillons non classés (prédictions inférieures au seuil)
model.notclassed.d est un vecteur (lv x 1) dans le cas general, (lv x nbvar) pour covsel_fda
le pourcentage d'observations non classées (toutes les predictions inférieures au seuil), pour chaque classe
model.notclassed_bycl.d est une matrice (lv x nclass) dans le cas general, (lv x nclass x nbvar) pour covsel_fda
la méthode discriminante, ici:'covsel_fda'
le jeu d'étalonnage; une structure div
model.xcal.d est de dimensions (n x q)
les classes associees a model.xcal; une structure div
model.ycal.d est de dimensions (n x nclass) si disjonctif ou (n x 1) si conjonctif
les scores des observations T verifiant: T=XR, X etant obtenue en appliquant model.scale sur x; T est une structure Div
model.scores.d est de dimensions (n x lv) dans le cas general, (n x lv x nbvar) pour covsel_fda
les vecteurs propres R; une structure div
model.rloadings.d est une matrice de dimensions (q x lv) dans le cas general, (q x lv x nbvar) pour covsel_fda
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