Discussion :

[SVDSVD]

Bonjour à vous tous,


J'ai deux bases : Base1 et Base2 chacune des deux bases présente une classe différente:

Base1 de taille (20,100) :
20 : Lignes - nombres de cas du groupe 1
100 : Colonnes - nombres des attributs.

Base2 de taille (30,100) : contient les données du 2 groupe
30 : Lignes - nombres de cas du groupe 2
100 : Colonnes - nombres des attributs.


La problématique:

J'ai un nouveau cas dont je ne connais pas le groupe d'appartenance, d'une autre manière, je voudrai le classifier de sort que : soit qu'il appartient au groupe1 soit au groupe2

Le nouveau cas (NC) est un vecteur de taille (1:100)


Récapitulatif:

[20,100] = Size(Bas1)
[30,100] = Size(Bas2)
[1,100] = Size(NC)


Question :

Je voudrai utiliser la PCA pour la classification du cas NC ?

NB: PCA Analyse en composante principale.

j'ai commencer pas faire ceci :

[pc1,score1,latent1,tsquare1] = princomp(Base1);
[pc2,score2,latent2,tsquare2] = princomp(Base2);

Mais je ne sais pas comment faire pour exploiter les données retournées par princomp afin de classifier le nouveau cas NC

Toute aide ou suggestion sera toujours la bien venu

Très Cordialement.

[Aleph69]

Bonsoir,

il faut d'abord fusionner les deux bases en une seule base B et étiqueter les individus de B1 et B2 (étiquettes 1 et 2 par exemple). L'ACP s'appliquerait alors directement à B mais elle n'est pas directement adaptée à ton problème : tu peux plutôt faire une analyse discriminante, cas particulier d'ACP.
http://fr.wikipedia.org/wiki/Analyse_discriminante

[SVDSVD]

Merci Aleph69,


Alors si j'ai bien compris, il faut fusionner les deux base en une seule:

Base(1:20,: )=Base1;
Base(1:20,101)=1; % Classe 1

Base(21:50,: )=Base2;
Base(21:50,101)=2; % Classe 2

Maintenant je me retrouve avec une base de taille 50x101

[50,101] = Size(Base);

50 : nombres de cas, 20 cas Base1 + 30 cas Base2.
101: les attributs, sachant que le dernier attribut est réservé a la Classe.

Je sais pas comment faire le reste, quelqu'un aura t il des idée sachant que je travaille sur Matlab

Merci

[Aleph69]

Bonjour,

tu peux récupérer les toolboxes suivantes :
http://www.prtools.org/
http://waltz.felk.cvut.cz/cmp/software/stprtool/

Selon ta version de matlab, il est possible que la première soit déjà incluse. Essaye de taper "help lda" dans matlab pour vérifier.

[SVDSVD]

Bonjour

Merci Aleph69. En cherchant sur internet je suis tombé sur le fichier LDA.m suivant, il permet d'envoyer comme paramètre la base de données et le vecteur de classe, et il te retourne la matrice W.

W = LDA(Base,Classe);

Sauf que je ne sais pas comment utiliser la matrice W dans mon cas




|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||

% LDA - MATLAB subroutine to perform linear discriminant analysis
% by Will Dwinnell and Deniz Sevis
%
% Use:
% W = LDA(Input,Target,Priors)
%
% W = discovered linear coefficients (first column is the constants)
% Input = predictor data (variables in columns, observations in rows)
% Target = target variable (class labels)
% Priors = vector of prior probabilities (optional)
%
% Note: discriminant coefficients are stored in W in the order of unique(Target)
%
% Example:
%
% % Generate example data: 2 groups, of 10 and 15, respectively
% X = [randn(10,2); randn(15,2) + 1.5]; Y = [zeros(10,1); ones(15,1)];
%
% % Calculate linear discriminant coefficients
% W = LDA(X,Y);
%
% % Calulcate linear scores for training data
% L = [ones(25,1) X] * W';
%
% % Calculate class probabilities
% P = exp(L) ./ repmat(sum(exp(L),2),[1 2]);
%
%
% Last modified: Dec-11-2010


function W = LDA(Input,Target,Priors)

% Determine size of input data
[n m] = size(Input);

% Discover and count unique class labels
ClassLabel = unique(Target);
k = length(ClassLabel);

% Initialize
nGroup = NaN(k,1); % Group counts
GroupMean = NaN(k,m); % Group sample means
PooledCov = zeros(m,m); % Pooled covariance
W = NaN(k,m+1); % model coefficients

if (nargin >= 3) PriorProb = Priors; end

% Loop over classes to perform intermediate calculations
for i = 1:k,
% Establish location and size of each class
Group = (Target == ClassLabel(i));
nGroup(i) = sum(double(Group));

% Calculate group mean vectors
GroupMean(i,: ) = mean(Input(Group,: ));

% Accumulate pooled covariance information
PooledCov = PooledCov + ((nGroup(i) - 1) / (n - k) ).* cov(Input(Group,: ));
end

% Assign prior probabilities
if (nargin >= 3)
% Use the user-supplied priors
PriorProb = Priors;
else
% Use the sample probabilities
PriorProb = nGroup / n;
end

% Loop over classes to calculate linear discriminant coefficients
for i = 1:k,
% Intermediate calculation for efficiency
% This replaces: GroupMean(g,: ) * inv(PooledCov)
Temp = GroupMean(i,: ) / PooledCov;

% Constant
W(i,1) = -0.5 * Temp * GroupMean(i,: )' + log(PriorProb(i));

% Linear
W(i,2:end) = Temp;
end

% Housekeeping
clear Temp

end


% EOF

[Drooo]

Bonjour, je m'excuse de déterrer ce topic.

Je me retrouve exactement dans le même problème que toi.

Que faire de W pour classifier la base de données ? Sachant que pour la Base, on a les classes correspondantes.

Mais pour le vecteurs (ou matrices ?) W, on a rien.

Comment faire ?