R语言 rrcov包 bus()函数中文帮助文档(中英文对照)

loveR

bus(rrcov)
bus()所属R语言包：rrcov

                                         Automatic vehicle recognition data
                                         车辆自动识别数据

                                         译者：生物统计家园网 机器人LoveR

描述----------Description----------

The data set bus (Hettich and Bay, 1999) corresponds to a study in  automatic vehicle recognition (see Maronna et al. 2006, page 213, Example 6.3)).  This data set from the  Turing Institute, Glasgow, Scotland, contains measures of shape  features extracted from vehicle silhouettes. The images were acquired  by a camera looking downward at the model vehicle from a fixed angle  of elevation. Each of the 218 rows corresponds to a view of a bus  silhouette, and contains 18 attributes of the image.
该数据集总线（海蒂诗和海湾，1999年）对应的自动车辆识别（见Maronna等人，2006年，第213页，例6.3））的一项研究。从图灵学院，格拉斯哥，苏格兰，此数据集包含从车辆轮廓的形状特征提取的措施。摄影图像获取由照相机在模型车辆从一个固定的仰角向下看。的218行中的每一个都对应于一个总线剪影的视图，并包含18个属性的图像。


用法----------Usage----------


data(bus)



格式----------Format----------

A data frame with 218 observations on the following 18 variables:
218以下18个变量的观察与数据框：




V1 compactness
V1紧凑




V2 circularity
V2圆




V3 distance circularity
V3距离圆




V4 radius ratio
V4半径比




V5 principal axis aspect ratio
V5主轴方面比




V6 maximum length aspect ratio
V6的最大长度方面比




V7 scatter ratio
V7散射比




V8 elongatedness
V8elongatedness




V9 principal axis rectangularity
V9主轴矩形




V10 maximum length rectangularity
V10的最大长度矩形




V11 scaled variance along major axis
V11比例方差沿长轴




V12 scaled variance along minor axis
V12比例方差沿短轴




V13 scaled radius of gyration
V13比例回转半径




V14 skewness about major axis
V14主要轴线偏斜约




V15 skewness about minor axis
V15偏斜约短轴




V16 kurtosis about minor axis
V16峰度左右短轴




V17 kurtosis about major axis
V17峰度左右长轴




V18 hollows ratio
V18空洞比


源----------Source----------

Hettich, S. and Bay, S.D. (1999), The UCI KDD Archive, Irvine, CA:University of California, Department of Information and Computer Science, http://kdd.ics.uci.edu
海蒂诗，S.和海湾，S.D. （1999年），UCI KDD档案，欧文，CA：美国加州大学，信息与计算机科学系，http://kdd.ics.uci.edu


参考文献----------References----------



实例----------Examples----------


    ## Reproduce Table 6.3 from Maronna et al. (2006), page 213[＃重现表6.3从Maronna等。 （2006年），第213页。]
    data(bus)
    bus <- as.matrix(bus)
   
    ## calculate MADN for each variable[＃计算每个变量的MADN]
    xmad <- apply(bus, 2, mad)      
    cat("\nMin, Max of MADN: ", min(xmad), max(xmad), "\n")


    ## MADN vary between 0 (for variable 9) and 34. Therefore exclude [＃MADN 0（可变9）和34之间变化。因此排除]
    ##  variable 9 and divide the remaining variables by their MADNs.[＃变量和分裂他们的MADNs其余变量。]
    bus1 <- bus[, -9]
    madbus <- apply(bus1, 2, mad)
    bus2 <- sweep(bus1, 2, madbus, "/", check.margin = FALSE)

    ## Compute classical and robust PCA (Spherical/Locantore, Hubert, MCD and OGK)    [计算的古典和强大的PCA（球面/ Locantore，休伯特，MCD和OGK）]
    pca  <- PcaClassic(bus2)
    rpca <- PcaLocantore(bus2)
    pcaHubert <- PcaHubert(bus2, k=17, kmax=17, mcd=FALSE)
    pcamcd <- PcaCov(bus2, cov.control=CovControlMcd())
    pcaogk <- PcaCov(bus2, cov.control=CovControlOgk())

    ev    <- getEigenvalues(pca)
    evrob <- getEigenvalues(rpca)
    evhub <- getEigenvalues(pcaHubert)
    evmcd <- getEigenvalues(pcamcd)
    evogk <- getEigenvalues(pcaogk)

    uvar    <- matrix(nrow=6, ncol=6)
    svar    <- sum(ev)
    svarrob <- sum(evrob)
    svarhub <- sum(evhub)
    svarmcd <- sum(evmcd)
    svarogk <- sum(evogk)
    for(i in 1:6){
        uvar[i,1] <- i
        uvar[i,2] <- round((svar - sum(ev[1:i]))/svar, 3)
        uvar[i,3] <- round((svarrob - sum(evrob[1:i]))/svarrob, 3)
        uvar[i,4] <- round((svarhub - sum(evhub[1:i]))/svarhub, 3)
        uvar[i,5] <- round((svarmcd - sum(evmcd[1:i]))/svarmcd, 3)
        uvar[i,6] <- round((svarogk - sum(evogk[1:i]))/svarogk, 3)
    }
    uvar <- as.data.frame(uvar)
    names(uvar) <- c("q", "Classical","Spherical", "Hubert", "MCD", "OGK")
    cat("\nBus data: proportion of unexplained variability for q components\n")
    print(uvar)

    ## Reproduce Table 6.4 from Maronna et al. (2006), page 214[＃重现表6.4从Maronna等。 （2006年），第214页]
    ##[＃]
    ## Compute classical and robust PCA extracting only the first 3 components[＃古典和强大的计算PCA只提取第3部分]
    ## and take the squared orthogonal distances to the 3-dimensional hyperplane[＃和采取的平方的正交距离的3维的超平面]
    ##[＃]
    pca3 &lt;- PcaClassic(bus2, k=3)               # classical[经典]
    rpca3 &lt;- PcaLocantore(bus2, k=3)            # spherical (Locantore, 1999)[球形（Locantore，1999年）]
    hpca3 &lt;- PcaHubert(bus2, k=3)               # Hubert[休伯特]
    dist <- pca3@od^2
    rdist <- rpca3@od^2
    hdist <- hpca3@od^2

    ## calculate the quantiles of the distances to the 3-dimensional hyperplane[＃计算位数的3维超平面的距离]
    qclass  <- round(quantile(dist, probs = seq(0, 1, 0.1)[-c(1,11)]), 1)
    qspc <- round(quantile(rdist, probs = seq(0, 1, 0.1)[-c(1,11)]), 1)
    qhubert <- round(quantile(hdist, probs = seq(0, 1, 0.1)[-c(1,11)]), 1)
    qq <- cbind(rbind(qclass, qspc, qhubert), round(c(max(dist), max(rdist), max(hdist)), 0))
    colnames(qq)[10] <- "Max"
    rownames(qq) <- c("Classical", "Spherical", "Hubert")
    cat("\nBus data: quantiles of distances to hiperplane\n")
    print(qq)

    ## [＃]
    ## Reproduce Fig 6.1 from Maronna et al. (2006), page 214[＃重现图6.1从Maronna等的。 （2006年），第214页]
    ## [＃]
    cat("\nBus data: Q-Q plot of logs of distances to hyperplane (k=3) \nfrom classical and robust estimates. The line is the identity diagonal\n")
    plot(sort(log(dist)), sort(log(rdist)), xlab="classical", ylab="robust")
    lines(sort(log(dist)), sort(log(dist)))
   
   

转载请注明:出自 生物统计家园网(http://www.biostatistic.net)。


注：
注1：为了方便大家学习，本文档为生物统计家园网机器人LoveR翻译而成，仅供个人R语言学习参考使用，生物统计家园保留版权。
注2：由于是机器人自动翻译，难免有不准确之处，使用时仔细对照中、英文内容进行反复理解，可以帮助R语言的学习。
注3：如遇到不准确之处，请在本贴的后面进行回帖，我们会逐渐进行修订。