library(MASS)
library(ggplot2)## Warning: package 'ggplot2' was built under R version 4.3.2library("openxlsx")#file.choose()
#Datos = read.xlsx("/Users/danielnajera/Desktop/Evidencia1/BaseLDA.xlsx")
Datos = read.xlsx("C:\\Users\\danbr\\OneDrive\\Desktop\\Mineria de Datos\\Actividad Constante - El Diario\\BaseLDA.xlsx")
head(Datos)## Alcohol Malic_Acid Ash Ash_Alcanity Magnesium Total_Phenols Flavanoids
## 1 14.23 1.71 2.43 15.6 127 2.80 3.06
## 2 13.20 1.78 2.14 11.2 100 2.65 2.76
## 3 13.16 2.36 2.67 18.6 101 2.80 3.24
## 4 14.37 1.95 2.50 16.8 113 3.85 3.49
## 5 13.24 2.59 2.87 21.0 118 2.80 2.69
## 6 14.20 1.76 2.45 15.2 112 3.27 3.39
## Nonflavanoid_Phenols Proanthocyanins Color_Intensity Hue OD280 Proline
## 1 0.28 2.29 5.64 1.04 3.92 1065
## 2 0.26 1.28 4.38 1.05 3.40 1050
## 3 0.30 2.81 5.68 1.03 3.17 1185
## 4 0.24 2.18 7.80 0.86 3.45 1480
## 5 0.39 1.82 4.32 1.04 2.93 735
## 6 0.34 1.97 6.75 1.05 2.85 1450
## Customer_Segment
## 1 1
## 2 1
## 3 0
## 4 1
## 5 1
## 6 0Datos$Customer_Segment<-factor(Datos$Customer_Segment, levels = c(0,1), labels = c("Estandar","Premium"))
modelo_lda <- lda(Customer_Segment ~ Alcohol + Malic_Acid + Ash + Ash_Alcanity + Total_Phenols + Hue, data = Datos, prior=c(0.5,0.5))
modelo_lda## Call:
## lda(Customer_Segment ~ Alcohol + Malic_Acid + Ash + Ash_Alcanity +
## Total_Phenols + Hue, data = Datos, prior = c(0.5, 0.5))
##
## Prior probabilities of groups:
## Estandar Premium
## 0.5 0.5
##
## Group means:
## Alcohol Malic_Acid Ash Ash_Alcanity Total_Phenols Hue
## Estandar 14.08200 1.880000 2.382000 16.52000 2.804000 1.116000
## Premium 13.98333 1.873333 2.452222 15.57778 2.875556 1.053333
##
## Coefficients of linear discriminants:
## LD1
## Alcohol -0.6325382
## Malic_Acid -1.6909565
## Ash 7.7999329
## Ash_Alcanity -0.5039052
## Total_Phenols -0.1288419
## Hue -4.6171791La sección de “Group means” proporciona las medias de las variables predictoras para cada grupo definido por la variable de respuesta “Customer_Segment”. En este caso, los grupos son “Premium” y “Estandar”. Cada coeficiente está asociado con una variable predictora y representa la contribución relativa de esa variable a la discriminación entre los grupos definidos por la variable de respuesta “Customer_Segment” Por ejemplo, el coeficiente asociado con “Alcohol” es -0.6325382. Un valor negativo indica que a medida que el valor de “Alcohol” aumenta, la probabilidad de pertenecer al grupo “Estandar” (en lugar de “Premium”) es más alta y asi con todas las demas. Estos coeficientes indican la dirección y magnitud de la contribución de cada variable al proceso de clasificación.
predicciones <- predict(modelo_lda, newdata = Datos)
predicciones## $class
## [1] Premium Premium Premium Premium Premium Premium Premium Premium
## [9] Estandar Premium Estandar Estandar Premium Premium
## Levels: Estandar Premium
##
## $posterior
## Estandar Premium
## 1 0.2775441 0.72245592
## 2 0.1691228 0.83087724
## 3 0.2819438 0.71805622
## 4 0.2399191 0.76008090
## 5 0.3210556 0.67894440
## 6 0.2294080 0.77059203
## 7 0.1774747 0.82252533
## 8 0.3695146 0.63048541
## 9 0.7922357 0.20776432
## 10 0.4303829 0.56961711
## 11 0.9878549 0.01214513
## 12 0.7586189 0.24138109
## 13 0.4570234 0.54297661
## 14 0.1746269 0.82537313
##
## $x
## LD1
## 1 0.6950942
## 2 1.1565984
## 3 0.6792284
## 4 0.8378266
## 5 0.5441476
## 6 0.8803558
## 7 1.1142350
## 8 0.3882071
## 9 -0.9724832
## 10 0.2036502
## 11 -3.1959040
## 12 -0.8320137
## 13 0.1252113
## 14 1.1284995Estas son las predicciones resultantes. class: Muestra la clase predicha para cada observación en tus datos. Las clases son “Estandar” y “Premium”. Por ejemplo, la primera observación se predice como “Premium”, la segunda como “Premium” y así sucesivamente. posterior: Proporciona las probabilidades posteriores de pertenencia a cada clase para cada observación. Por ejemplo, para la primera observación, la probabilidad de pertenecer a “Estandar” es aproximadamente 0.28, y la probabilidad de pertenecer a “Premium” es aproximadamente 0.72 y asi con las demas. Estos resultados pueden ser útiles para evaluar la precisión del modelo y entender cómo las observaciones están siendo clasificadas en función de la información proporcionada por las variables predictoras.