Bonjour,

Je souhaite trouver des relations entre des variables non gaussiennes, corrélées à Y(un taux logarithmique) et également corrélées entre elles. Je voulais donc essayer avec FDA et la méthode MARS en discrétisant la variable Y.
En suivant l'exemple situé ici :
http://cran.r-project.org/web/packages/mda/mda.pdf
(Page7)
Code : Sélectionner tout - Visualiser dans une fenêtre à part
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
 
 
data(iris)
irisfit <- fda(Species ~ ., data = iris)
irisfit
 
 
## fda(formula = Species ~ ., data = iris)
##
## Dimension: 2
##
## Percent Between-Group Variance Explained:
## v1 v2
## 99.12 100.00
##
## Degrees of Freedom (per dimension): 5
##
## Training Misclassification Error: 0.02 ( N = 150 )
confusion(irisfit, iris)
## Setosa Versicolor Virginica
## Setosa 50 0 0
## Versicolor 0 48 1
## Virginica 0 2 49
## attr(, "error"):
## [1] 0.02
plot(irisfit)
coef(irisfit)
##          [,1]     [,2]
 
## [1,] -2.126479 -6.72910343
## [2,] -0.837798 0.02434685
## [3,] -1.550052 2.18649663
## [4,] 2.223560 -0.94138258
## [5,] 2.838994 2.86801283
marsfit <- fda(Species ~ ., data = iris, method = mars)
marsfit2 <- update(marsfit, degree = 2)
marsfit3 <- update(marsfit, theta = marsfit$means[, 1:2])
## this refits the model, using the fitted means (scaled theta's)
## from marsfit to start the iteration
Après avoir fait ça, comment construire le modèle ?
Entre autre, je n'arrive pas à interpréter le tableau obtenu.

En vous remerçiant beaucoup pour votre attention,

Flavien G.