data(iris)

names(iris) = c("sepal.length", "sepal.width", "petal.length", "petal.width" ^Miris .type”) libra ry (MASS)

iris.Ida = lda(iris.type - petal.length + petal.width, data=iris) iris.Ida iris.lda$svd

LDl<-predict(iris.Ida)$x[,1]

LD2<-predict(iris.Ida)$x [, 2]

#    l="setosa"

#    2="versicolor"

#    3="virginica"

plot(LDl,LD2,xlab="Pierwsza zmienna kanoniczna",ylab="Druga zmienna kanoniczna",type="n")

text(cbind(LDl,LD2),labels=unclass(irisSiris.type)) sum(LDl*(iris$iris.type=="setosa"))/sum(iris$iris.type="setosa")

sum(LD2*(irisSiris.type=="setosa"))/sum(irisSiris.type="setosa")

sum(LD1*(irisSiris.type=="ve rsicolo r"))/sum(irisSiris.type=="versicolor")

sum(LD2*(irisSi ris.type=="ve rsicolo r"))/sum(i risSi ris.type=="ve rsicolor")

sum(LD1*(irisSiris.type=="virginica"))/sum(irisSiris.type=="virginica")

sum(LD2*(irisSiris.type=="virginica"))/sum(irisSiris.type=="virginica")

## Predykcja przynale6no?ci do klasy: iris.predict<-predict(iris.lda,iris(,1:4])

## Klasy do których nale&fc obiekty: iris.classify<-iris.predict$class

## Procent wl»a?ciwie zaklasyfikowanych obiektyw: iris.classperc<-sum(iris.classify=iris [ ,5] )/150

table(0 riginal=i risSiris.type,P redicted=p redict(iris.Ida)Sclass)