28094

### klasa przynależności wybierana na podstawie największej wartości

prawdopodobieństwa a posteriori

for(i in 1:3) klasa[i]<-which.max(PRED[i,])

klasa

for(i in 1:3) {

if (klasa[i] = l) klasa[i]<- 'setosa' if(klasa[i] =2) klasa[i)<-' versicolor' if (klasa [i] =3) klasa[i]<- ’ virginica‘

}

pred.klas<-NULL for(i in 1 :nrow(test)){

if(test$sepal.length[i)='krotki') pred.klas[i]<-klasa[1] if(test$sepal.length[ij=='sredni') pred.klas[ij<-klasa[2] if (testSsepal.lengthjij^dlugi') pred.klas[i]<-klasa[3]

}

p red. klas

##**********************************************************

## (v)

TAB <- table (testSSpecies, pred.klas)

## BÓÓD KLASYFIKACJI

mcrlr <- 1 - sum(diag(TAB[colnames(TAB)==rov^ames(TAB)_f]))/ sum (TAB) mcrlr

##* **** **** ** ** ************** ** ****** **** ***** ********** **

## (vi)

Ida.iris<-lda(Species - as.factor(sepal.length) + Petal.Width, data = ucz)

## Predykcja przynalefcno?ci do klasy: iris.predict<-predict(Ida.iris,newdata=test) iris.classify=iris.predictSclass ## Procent wi»a?ciwie zaklasyfikowanych obiektów: iris.classperc<-sum( iris .classify=test [ ,5] )/nrow(test)

## Proporcja bÓÓdnych klasyfikacji

1-iris.classperc

mcrlr

##**********************************************************

## (vii)

#### uśrednione prawdopodobieństwa poprawnej klasyfikacji na podstawie 100

iteracj i

n=nrow(iris)

n.ucz=0.8*n

niter<-100

pop.lr<-NULL

pop.lda<-NULL

for(i in l:niter){ i.ucz = sample(l:n, n.ucz) ucz<-dane.iris(i.ucz,] test = dane.iris[-i.ucz,)

## DOPASOWANIE WIELOWYMIAROWEGO MODELU LOG-LINIOWEGO

iris.model <- multinom(Species ~ Petal.Width + as.factor(sepal.length), data ucz)

summa ry(i ris.model) ### USTALAMY WARTOŚĆ ZMIENNEJ Petal.Width NA JEJ WARTOŚĆ ŚREDNIA I OBLICZAMY

PRAWDOPODOBIEŃSTWA A POSTERIORI

### PRZYNALEŻNOŚCI DO KLAS

### 1- sepal.length==krotki

### 2- sepal.length== średni

### 3- sepal.length== długi

irisl <- data.framę(sepal.length = as.factor(c(^Mkrotki", "średni", "długi")).