Escolar Documentos
Profissional Documentos
Cultura Documentos
Manuel Ribeiro
1 / 29
Aula 5
2 / 29
Conteúdo da aula
1
An Introduction to Statistical Learning with Applications in Python
3 / 29
Analise discriminante
4 / 29
Exemplo
5 / 29
Probabilidades
Pr(x |y ) Pr(y )
Pr(y |x ) =
Pr(x )
a probabilidade à posteriori de x pertencer à classe y = k.
6 / 29
Probabilidade à posteriori de pertencer à classe k
pk × fk (x )
Pr(Y = k | X = x ) = pk (x ) = P
pl × fl (x )
7 / 29
Análise discriminante linear (p = 1)
" #
1 1
fk (x ) = √ · exp − 2 · (x − µk )2
2π · σ 2σ
onde Σ é a variância de x , σ 2 .
8 / 29
Exemplo fk (x )
0.3
0.2
Litologia
A
density
B
C
D
0.1
0.0
−5 0 5 10
Zn
9 / 29
Exemplo pk
Litologia nk pk
A 183 0.37
B 23 0.05
C 204 0.42
D 81 0.16
10 / 29
Função discriminante δk (x )
µk µ2k
δk (x ) = ∗ x − + log(pk )
σ2 2σ 2
11 / 29
Exemplo
Litologia uk pk
A 5.48 0.37
B 3.04 0.05
C 2.13 0.42
D 1.29 0.16
A variânca (ponderada) é 1.9.
12 / 29
Exemplo
5.48 30.03
δA (6) = ∗6− + log(0.37)
1.9 2 · 1.9
..
.
1.29 1.66
δD (6) = ∗6− + log(0.16)
1.9 2 · 1.9
13 / 29
Resultados
14 / 29
Análise discriminante linear com p > 1
1 h 1 i
fk (x ) = · exp − (x − µk )T Σ−1 (x − µk )
(2π)p/2 |Σ|1/2 2
15 / 29
Distribuição gaussiana multivariada (p = 2) #1
" # " #
1 0 0
Σ= µ=
0 1 0
3
2
1
x2
0
−1
−2
−3
−3 −2 −1 0 1 2 3
x1
16 / 29
Distribuição gaussiana multivariada (p = 2) #2
" # " #
0.5 0 0
Σ= µ=
0 0.5 0
3
2
1
x2
0
−1
−2
−3
−3 −2 −1 0 1 2 3
x1
17 / 29
Distribuição gaussiana multivariada (p = 2) #3
" # " #
3 0 0
Σ= µ=
0 3 0
3
2
1
x2
0
−1
−2
−3
−3 −2 −1 0 1 2 3
x1
18 / 29
Distribuição gaussiana multivariada (p = 2) #4
" # " #
1 0.5 0
Σ= µ=
0.5 1 0
3
2
1
x2
0
−1
−2
−3
−3 −2 −1 0 1 2 3
x1
19 / 29
Distribuição gaussiana multivariada (p = 2) #5
" # " #
1 0.8 0
Σ= µ=
0.8 1 0
3
2
1
x2
0
−1
−2
−3
−3 −2 −1 0 1 2 3
x1
20 / 29
Distribuição gaussiana multivariada (p = 2) #6
" # " #
1 0 0
Σ= µ=
0 1 1
3
2
1
x2
0
−1
−2
−3
−3 −2 −1 0 1 2 3
x1
21 / 29
Distribuição Gaussiana multivariada (p = 2) #7
" # " #
1 0 0
Σ= µ=
0 1 1.5
3
2
1
x2
0
−1
−2
−3
−3 −2 −1 0 1 2 3
x1
22 / 29
Exemplo
" # " # " # " #
1 0 0 1 0 2
Σ̂A = µ̂A = ; Σ̂B = µ̂B =
0 1 0 0 1 1
4
Classe A
Classe B
2
0
−2
−4
−4 −2 0 2 4
23 / 29
Exemplo fk (x )
" # " # " # " #
1 0 0 1 0 2
Σ̂A = µ̂A = ; Σ̂B = µ̂B =
0 1 0 0 1 1
4
Classe A
Classe B
0.02
0.04
0.08
0.02
2
0.12
0.14
0.06
0.1
0.1
0
0.14 0.06
0.12
0.08
0.04
−2
−4
−4 −2 0 2 4
24 / 29
Função discriminante δk (x )
1
δk (x ) = x T Σ−1 µk − µT Σ−1 µk + log(pk )
2 k
δk (x ) = δl (x )
25 / 29
A linha de fronteira (ADL)
4
2
x2
0
−2
−4
−4 −2 0 2 4
x1
26 / 29
Análise Discriminante Quadrática (ADQ)
QDA é similar à ADL mas assume que cada classe tem a sua matriz
de variância-covariância, i.e., fk (x ) tem uma f.d.p. N(µk , Σk ).
1 h 1
T −1
i
fk (x ) = · exp − (x − µ k ) Σk (x − µ k )
(2π)p/2 |Σk |1/2 2
1 1
δk (x ) = − (x − µk )T Σ−1
k (x − µk ) − log |Σk | + log(pk )
2 2
27 / 29
A linha de fronteira (ADQ)
4
2
x2
0
−2
−4
−4 −2 0 2 4
x1
28 / 29
ADL vs QDA
ADQ é mais flexível, tende a ajustar-se melhor aos dados, mas tem
mais parâmetros para estimar.
29 / 29